Determinar las características de formación de hielo en el aire es clave para garantizar la seguridad en la aviación, pero puede ser una tarea computacionalmente costosa. Este trabajo presenta un marco para el desarrollo de modelos de baja dimensión para su aplicación en la formación de hielo en perfiles aerodinámicos. El marco se basa en: una estrategia de muestreo adaptativo para identificar las características locales y no lineales a través del sobre de formación de hielo para la formación de hielo intermitente continua; una técnica clásica basada en la Descomposición Ortogonal Propia, y una arquitectura moderna de Red Neuronal. La extrema diversidad en las formas de hielo simuladas, desde formas suaves y aerodinámicas hasta formas rugosas e irregulares, motivó el uso de una clasificación no supervisada de las formas de hielo. Esto permitió desplegar la Descomposición Ortogonal Propia localmente dentro de cada subregión, mejorando sensiblemente la precisión de la predicción sobre el modelo global. Por otro lado, se encontró que la arquitectura de la Red Neuronal y el auto-codificador convolucional eran insensibles a la complejidad en las formas de hielo. Se encontró una fuerte correlación entre la forma del hielo, la masa de hielo resultante y el rendimiento aerodinámico del perfil aerodinámico helado, tanto en términos de la media como de la varianza. En promedio, el hielo de escarcha causa una pérdida del coeficiente de sustentación máxima del 21.5% en comparación con un perfil aerodinámico limpio, y el grosor promedio del hielo es del 0.9% de la cuerda del perfil aerodinámico. Para el hielo de cristal, la pérdida promedio del coeficiente de sustentación máxima es del 46.5% y el grosor promedio del hielo es del 2.1%. También se encontró que el hielo de cristal tenía tres veces más cobertura superficial que el hielo de escarcha.