El ruido en la cabina de los aviones representa un riesgo para la salud de los pasajeros y la tripulación habituales, ya que está relacionado con un mayor riesgo de enfermedades cardiovasculares, pérdida auditiva y privación del sueño. En condiciones de crucero, su causa más significativa son las fluctuaciones de presión aleatorias en la capa límite turbulenta del avión, y por lo tanto, la derivación de un modelo preciso para predecir la densidad espectral de potencia de estas fluctuaciones sigue siendo un tema de investigación importante. Los primeros modelos (como los de Lowson y Robertson) se derivaron simplificando las ecuaciones que rigen, las ecuaciones de Navier-Stokes promediadas por Reynolds, y resolviendo para la presión fluctuante. La mayoría de las ecuaciones posteriores se derivaron aplicando técnicas estadísticas y matemáticas para simplificar los modelos de Robertson y Lowson o haciendo modificaciones para abordar deficiencias aparentes. En general, estos modelos han tenido un éxito variable; la mayoría son precisos cerca de los números de Mach y Reynolds para los que fueron diseñados, pero menos precisos en otras condiciones. En respuesta a esta deficiencia, Dominique demostró que una técnica novedosa (aprendizaje automático, específicamente redes neuronales artificiales) podría producir un modelo que es preciso bajo la mayoría de las condiciones de vuelo. Este artículo amplía esta investigación aplicando una técnica diferente de aprendizaje automático (análisis de regresión no lineal por mínimos cuadrados) y análisis dimensional para producir un nuevo modelo. La ecuación resultante demostró ser precisa bajo sus condiciones de diseño de baja velocidad del aire (aproximadamente 11 m/s) y bajo número de Reynolds turbulento (aproximadamente 850,000). Sin embargo, se requeriría un conjunto de datos más grande con condiciones de vuelo más diversas para hacer el modelo más generalmente aplicable.