Este estudio presenta un modelo sustituto de aprendizaje profundo diseñado para predecir la evolución del coeficiente de presión promedio en la cara posterior de un cuerpo de Windsor en un rango de ángulos de guiñada de a . Utilizando un autoencoder variacional (VAE), el modelo comprime efectivamente instantáneas de presión posterior tomadas en ángulos de guiñada de , , y en dos vectores latentes. Estas instantáneas se derivan de simulaciones de grandes remolinos modelados en pared (WMLESs) realizadas a un número de Reynolds de . Las frecuencias que dominan los vectores latentes corresponden estrechamente con las observadas tanto en la evolución temporal de la resistencia como en la descomposición de modos dinámicos. La proyección del coeficiente de presión promedio al espacio latente produce una evolución lineal creciente de las dos variables latentes con el ángulo de guiñada. La distribución del coeficiente de presión promedio en un ángulo de guiñada de se predice con un error medio de cuando se compara con los resultados de WMLESs después de obtener los valores del espacio latente con interpolación lineal.