La regresión aeroacústica eficiente es crítica para el diseño de vehículos aéreos no tripulados (UAV) y las operaciones de movilidad aérea urbana, donde la mitigación del ruido es esencial para el cumplimiento normativo y la aceptación pública. Si bien los sistemas difusos Takagi-Sugeno-Kang (TSK) impulsados por datos han mostrado potencial para modelar comportamientos aeroacústicos complejos en aplicaciones de UAV, su rendimiento se ve fuertemente afectado por la dimensionalidad de entrada y la complejidad de la base de reglas. Este trabajo amplía investigaciones previas sobre la reducción de dimensionalidad para sistemas difusos optimizados por algoritmos genéticos al realizar un benchmark comparativo en una tarea de regresión de base de datos aeroacústica relevante para la predicción del ruido de propulsión de drones. Se evalúan varias arquitecturas TSK, incluidos modelos de cero y primer orden, diferentes granularidades de funciones de membresía y estrategias de generación de reglas basadas en agrupamiento. Además, se introduce un sistema de reglas TSK heurístico basado en la física que incorpora conocimiento aeroacústico y se compara con configuraciones difusas impulsadas por datos. El rendimiento del modelo se evalúa principalmente a través de análisis gráfico de regresión y comportamiento de convergencia de optimización, con un enfoque en la eficiencia computacional, la complejidad estructural y las tendencias de predicción cualitativa, consideraciones críticas para los sistemas UAV a bordo y el monitoreo acústico en tiempo real. Los resultados destacan las compensaciones entre el aprendizaje impulsado por datos y la construcción de reglas informadas por la física, demostrando que las heurísticas basadas en la física pueden reducir la complejidad de optimización mientras preservan un comportamiento físicamente consistente. Este estudio proporciona ideas prácticas sobre el diseño de modelos de regresión difusa interpretables y eficientes para aplicaciones aeroacústicas de UAV, apoyando la gestión de la firma acústica de drones de próxima generación.