Para maximizar el rendimiento competitivo en los deportes de motor, es esencial equilibrar la alta carga aerodinámica para las curvas con la baja resistencia para la velocidad en línea recta. Este documento presenta el desarrollo y la optimización de un sistema de reducción de arrastre (DRS) deslizante integrado con una guía de cola de pato para un coche de carreras de Fórmula Estudiante. Para superar los costos computacionales y las limitaciones de tiempo del diseño iterativo basado en CFD convencional, se desarrolló un modelo sustituto de red neuronal gráfica (GNN) para predecir los coeficientes aerodinámicos. A diferencia de los modelos tradicionales, la GNN aprende directamente de la estructura gráfica geométrica del ala de múltiples elementos, lo que permite predicciones casi instantáneas y altamente precisas. Los resultados de CFD indicaron que activar el DRS redujo la resistencia de 82.68 N a 25.51 N, mejorando la relación de sustentación a resistencia de 1.67 a 2.67. El modelo sustituto de GNN logró un valor de R2 superior a 0.99, demostrando una fidelidad predictiva excepcional en comparación con simulaciones de alta resolución. Las pruebas físicas en pista con un vehículo de Fórmula SAE corroboraron estos hallazgos, mostrando una mejora del 4.6% en la aceleración de 50 m y un aumento del 5.8% en la velocidad máxima. Esta investigación establece que los modelos sustitutos basados en GNN pueden acelerar significativamente el diseño y la optimización de sistemas aerodinámicos variables complejos, proporcionando un marco robusto para la mejora del rendimiento en aplicaciones de carreras.