مود اصلی شکست برای کامپوزیت های چندلایه، جدایی در امتداد فصل مشترک لایه ها می باشد که اصطلاحا جدایی بین لایه ای نامیده می شود. این عیب منجر به تغییر پارامترهای مودال از جمله کاهش فرکانس طبیعی می شود که نهایتا این امر کاهش عمر سازه را به همراه دارد. لذا روش آنالیز مودال بر پایه تغییر فرکانس های طبیعی جهت عیب یابی سازه های مختلف از جمله کامپوزیت ها می تواند موثر باشد. در این پایان نامه از شبکه عصبی پس انتشار خطا برای عیب یابی ورق کامپوزیتی چندلایه با خرابی بین لایه ای استفاده شده است. شبکه های عصبی مصنوعی با پردازش داده ها، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند و لذا روشی قوی برای شناخت و مدلسازی سیستم های پیچیده می باشند. نحوه عیب یابی به این صورت است که ابتدا تحلیل دینامیکی ورق کامپوزیتی بر اساس روش عددی اجزای محدود انجام می گیرد و فرکانس های طبیعی در مودهای خاص به ازای مدل های مختلفی از خرابی بین لایه ای (اندازه و موقعیت منطقه با جدایی بین لایه ای) بدست می آید و سپس فرکانس های طبیعی استخراجی از مدل به عنوان ورودی و پارامترهای اندازه و موقعیت نیز به عنوان خروجی شبکه عصبی درنظر گرفته می شوند. ورق کامپوزیتی 8 لایه، به صورت سه بعدی و با درنظر گرفتن المان های شش وجهی آجری مدل شده است. همچنین در مدلسازی ورق کامپوزیتی تاثیر تغییر شکل برشی عرضی درنظر گرفته شده است. برای حالتی که ورق کامپوزیتی سالم می باشد، از کد نرم افزار متلب استفاده شده است. در حالت معیوب که ورق کامپوزیتی با جدایی بین لایه ای همراه است، به دلیل پیچیدگی فرایند حاکم بر مسئله از قابلیت های نرم افزار آباکوس برای مدلسازی استفاده شده است. همچنین نتایج عددی حاصل از روش اجزای محدود با داده های عددی و تجربی در دسترس مورد مقایسه و اعتبارسنجی قرار گرفته است. از دو روش آموزش لونبرگ–مارکوآرت و پس انتشار خطای انعطاف پذیر برای آموزش شبکه عصبی و مقایسه پاسخ ها استفاده شده است. نتایج پیش بینی با روش آموزش لونبرگ–مارکوآرت تطابق بسیار خوبی با مقادیر بدست آمده از روش اجزای محدود دارد. بعد از آموزش شبکه عصبی، از تعمیم این مدل برای پیش بینی و عیب یابی خرابی در ورق کامپوزیتی استفاده شده است.