Los mapas de componentes precisos, que pueden afectar significativamente la eficiencia, fiabilidad y disponibilidad de los motores aéreos, juegan un papel crítico en la simulación del rendimiento de los motores aéreos. Desafortunadamente, la información sobre los mapas de componentes es insuficiente, lo que lleva a limitaciones sustanciales en la aplicación práctica, siendo los compresores de particular interés. Aquí, se investiga un enfoque de generación de mapas de compresores basado en datos para la adaptación del rendimiento transitorio de motores aéreos. Se utiliza una red neuronal de perceptrón multicapa para simular el mapa del compresor en lugar de esquemas de interpolación convencionales, y se emplea un algoritmo de retropropagación de tasa de aprendizaje variable adaptativa (ADVLBP) para acelerar la convergencia y mejorar la estabilidad en el proceso de entrenamiento. Además, se implementan dos estrategias de adaptación diferentes diseñadas para condiciones de estado estacionario y transitorio para volver a entrenar adaptativamente la red del compresor de acuerdo con las desviaciones de medición hasta que se satisfagan los requisitos de precisión. El método propuesto se integra en un modelo a nivel de componente de turbofan, y las simulaciones revelan que el algoritmo ADVLBP tiene la capacidad de una convergencia más rápida en comparación con los algoritmos de entrenamiento convencionales. Además, la máxima desviación absoluta de medición disminuyó del 6.35% al 0.44% después de la adaptación en estado estacionario, y se obtuvo una excelente concordancia entre las predicciones y los datos de referencia después de la adaptación transitoria. Los resultados demuestran la efectividad y superioridad del método propuesto para la generación de mapas de componentes.