Este estudio investiga la aplicación de redes neuronales a la evaluación de transferencias de bajo empuje en el menor tiempo posible en órbita terrestre baja. Los hallazgos demuestran la efectividad de utilizar coestados para regularizar la pérdida de entrenamiento, mejorando significativamente la precisión de las predicciones de las redes neuronales, incluso al trabajar con conjuntos de datos limitados. Se logran estimaciones notablemente precisas de los tiempos de transferencia al entrenar las redes regularizadas con conjuntos de datos que comprenden un millón de muestras. La incorporación de una estrategia de conjetura con inicio en caliente, que implica redes neuronales más simples para proporcionar predicciones de tiempo de transferencia y coestados para nuevas transferencias, acelera el proceso de recopilación de datos, haciendo que este enfoque sea altamente práctico para aplicaciones del mundo real. En general, la metodología empleada en este estudio de investigación tiene una promesa significativa para misiones espaciales de bajo empuje, particularmente cuando es necesaria la evaluación de múltiples transferencias de mínimo tiempo en la planificación de misiones. De hecho, las redes neuronales entrenadas aceleran significativamente la convergencia al resolver problemas de control óptimo con métodos de optimización indirecta. Además, la notable precisión en la estimación tanto de los tiempos de transferencia mínimos como de los coestados proporciona la flexibilidad de depender completamente de redes neuronales para determinar el tiempo mínimo.