Se han propuesto varias teorías desde el siglo pasado para predecir la primera visión de una nueva luna creciente. Ninguna de ellas utiliza el concepto de aprendizaje automático y profundo para procesar, interpretar y simular patrones ocultos en bases de datos. Muchas de estas teorías utilizan técnicas de interpolación y extrapolación para identificar regiones de avistamiento a través de dichos datos. En este estudio, se entrenó una red neuronal artificial reconocedora de patrones para distinguir entre regiones de visibilidad. Se recopilaron parámetros esenciales del avistamiento de la luna creciente de conjuntos de datos de avistamiento de la luna y se utilizaron para construir un sistema inteligente de reconocimiento de patrones para predecir las condiciones de avistamiento de la luna creciente. La ANN propuesta aprendió los conjuntos de datos con una precisión de más del 72% en comparación con los resultados observacionales reales. La simulación de ANN brinda una clara visión de tres regiones de visibilidad de la luna creciente: invisible (I), probablemente visible (P) y ciertamente visible (V). La ANN propuesta es adecuada para construir calendarios lunares, por lo que se utilizó para construir un calendario de cuatro años en el horizonte de Bagdad. El calendario construido se comparó con el calendario Hijri oficial en Iraq.