El arranque en frío provoca una alta cantidad de emisiones de hidrocarburos no quemados y partículas en los motores de inyección directa de gasolina (GDI). Por lo tanto, es necesario comprender la dinámica de la pulverización durante un arranque en frío y desarrollar un modelo predictivo para formar una mejor mezcla de aire y combustible en la cámara de combustión. En este estudio, se diseñó una Red Neuronal Artificial (ANN) para predecir la fracción de volumen líquido 3D, la penetración líquida y el ancho líquido bajo diferentes condiciones de operación. El modelo se entrenó con datos derivados de experimentos de imágenes de alta velocidad y Schlieren con un combustible sustituto de gasolina, realizados en un recipiente de pulverización de volumen constante. Se utilizó un circulador de refrigerante para simular las condiciones de baja temperatura (-7 grados C) típicas de los arranques en frío. Los resultados mostraron una buena concordancia entre las predicciones de aprendizaje automático y los datos experimentales, con una precisión general R2 de 0.99 para predecir la penetración líquida y el ancho líquido. Además, el modelo ANN desarrollado fue capaz de predecir la dinámica detallada de los chorros de pulverización. Esto confirma la robustez de la ANN en la predicción de características de pulverización y ofrece una herramienta prometedora para mejorar las tecnologías de motores GDI.