Los métodos tradicionales de diseño experimental a menudo enfrentan desafíos para manejar sistemas aeroespaciales complejos debido a la alta dimensionalidad y el comportamiento no lineal de dichos sistemas, lo que resulta en diseños experimentales no óptimos. Para abordar estos desafíos, se pueden utilizar técnicas de aprendizaje automático para aumentar aún más las áreas de aplicación de los enfoques modernos de Diseño Experimental Óptimo Bayesiano (BOED), mejorando su eficiencia y precisión. El método propuesto aprovecha las redes neuronales como modelos sustitutos para aproximar los procesos físicos subyacentes, reduciendo así los costos computacionales y permitiendo una diferenciabilidad completa. Además, el uso del aprendizaje por refuerzo permite la optimización de diseños secuenciales y una capacidad esencial en tiempo real. Nuestro marco se valida optimizando diseños experimentales que se utilizan para la caracterización eficiente de turbobombas para motores de cohetes de propulsante líquido. El enfoque de aprendizaje por refuerzo produce resultados superiores en términos de la ganancia de información esperada relacionada con una secuencia de 15 experimentos, exhibiendo aumentos de rendimiento medio del 9.07% en comparación con diseños aleatorios y del 6.47% en comparación con enfoques de vanguardia. Por lo tanto, los resultados demuestran mejoras significativas en la eficiencia y precisión experimental en comparación con los métodos convencionales. Este trabajo proporciona un marco robusto para la aplicación de métodos avanzados de BOED en pruebas aeroespaciales, con implicaciones para aplicaciones de ingeniería más amplias.