Con el desarrollo de la industria de la energía eólica, las palas de los aerogeneradores están adoptando cada vez más diseños de ultra gran escala. Sin embargo, a medida que el tamaño de las palas continúa aumentando, los métodos de cálculo aerodinámico existentes tienen dificultades para lograr simultáneamente una precisión computacional relativamente alta y eficiencia. Para abordar este desafío, esta investigación se centra en los problemas de baja precisión de la teoría tradicional del Elemento de Palas y Momento (BEM) en la predicción del rendimiento aerodinámico de las palas de los aerogeneradores. En consecuencia, se propone un marco de corrección para integrar el método de Dinámica de Fluidos Computacional (CFD) con la red neuronal de Perceptrón Multicapa (MLP). En este enfoque, se utiliza el método CFD para predecir las características del flujo de aire alrededor de las palas, y se emplea la red neuronal MLP para modelar las complejas relaciones funcionales entre múltiples factores influyentes y parámetros aerodinámicos clave. Este proceso resulta en funciones predictivas de alta precisión para parámetros aerodinámicos clave, que luego se utilizan para corregir el BEM tradicional. Cuando se aplica este marco de corrección al rotor del aerogenerador IEA de 15 MW, se demuestra la efectividad de la MLP en la predicción de parámetros aerodinámicos clave. Los hallazgos de la investigación sugieren que este marco puede mejorar la precisión de las predicciones de carga aerodinámica del BEM a un nivel comparable al de RANS.