La calefacción por microondas, que es causada por la interacción de la radiación electromagnética y los materiales, se ha convertido en un componente importante en las operaciones industriales de numerosas industrias. A pesar de su importancia, las simulaciones numéricas convencionales de la calefacción por microondas son intensivas en computación. Al mismo tiempo, los avances en inteligencia artificial (IA), particularmente los algoritmos de aprendizaje automático, han transformado el procesamiento de datos al aumentar la precisión y disminuir el tiempo de computación. Este estudio aborda la dificultad de modelar de manera eficiente y precisa en la calefacción por microondas al combinar redes neuronales convolucionales (CNN) con técnicas de simulación tradicionales. El objetivo principal de esta investigación es utilizar CNN para predecir perfiles de temperatura en una variedad de materiales industriales, incluidos los susceptores, materiales semitransparentes y materiales transparentes a microondas, bajo diferentes configuraciones de potencia y períodos de calefacción. Esta estrategia única reduce significativamente los tiempos de predicción, con aumentos de velocidad de hasta 60 veces en comparación con los métodos estándar. Nuestra investigación se basa en examinar las respuestas electromagnéticas y térmicas de estos materiales bajo calefacción por microondas. Los hallazgos de este estudio enfatizan la necesidad de conjuntos de datos extensos y muestran el potencial transformador de las CNN en la optimización del procesamiento de materiales. Utiliza inteligencia artificial para allanar el camino hacia simulaciones más efectivas y exactas, apoyando avances en aplicaciones industriales de calefacción por microondas.