Se llevó a cabo una investigación exhaustiva sobre el diseño de la válvula Tesla (TV) a través de un amplio diseño de experimentos (DOE) que consistió en cuatro parámetros geométricos variables y seis diferentes regímenes de número de Reynolds con el fin de desarrollar un dispositivo de caída de presión optimizado utilizando métodos de aprendizaje automático (ML). Se parametrizó geométricamente un diseño de TV no estándar y se creó un conjunto de automatización para recorrer numerosas combinaciones de parámetros. Se recopilaron datos de simulaciones de dinámica de fluidos computacional (CFD) completadas. Los diseños de TV se probaron en la dirección de flujo restringido para la presión diferencial total y la presión mínima total, teniendo en cuenta el inicio de la cavitación. Se realizaron observaciones cualitativas sobre los efectos de cada parámetro geométrico en el rendimiento general de la válvula, y ciertos parámetros mostraron una mayor influencia en la caída de presión en comparación con los parámetros optimizados clásicamente utilizados en estudios anteriores de TV. La presión mínima total demostró la presión del sistema requerida para que una válvula se utilizara de tal manera que no se produjera el inicio de la cavitación. Se utilizaron datos para entrenar un modelo de ML, y se seleccionó una geometría optimizada para maximizar la caída de presión. Se realizaron múltiples esfuerzos de optimización para cumplir con los objetivos de caída de presión de diseño frente a métricas de diodicidad tradicionales, y se seleccionaron dos geometrías para desarrollar una herramienta de diseño final para el desarrollo de componentes de caída de presión total. El trabajo futuro incluye la validación experimental del gran conjunto de datos, así como una mayor validación de la herramienta de diseño para su uso en la industria.