Este artículo investiga el papel del análisis caótico y los modelos de aprendizaje profundo en las predicciones de inestabilidad de combustión. Para detectar los precursores de la inestabilidad termoacústica (TAI) inminente en un combustor con remolino y diversas estrategias de inyección de combustible, se propone un marco basado en datos en este estudio. Basado en el análisis caótico, se utiliza una matriz de recurrencia derivada del sistema de combustión en modelos de aprendizaje profundo, que son capaces de detectar precursores de TAI. Más específicamente, se entrena el modelo de red ResNet-18 para predecir la proximidad de condiciones de operación inestables cuando el sistema de combustión aún es estable. El marco propuesto logró una precisión de predicción de 91.06%, lo que representa un estado del arte. El marco tiene potencial para aplicaciones prácticas para evitar un dominio de operación inestable en sistemas de control de combustión activa y, por lo tanto, puede ofrecer información en línea sobre el margen de la inestabilidad de combustión.