La predicción precisa del empuje del motor de aeronaves es crucial para la gestión de la salud del motor (EHM), que busca mejorar la seguridad y la fiabilidad de la propulsión de aeronaves. La predicción del empuje se implementa utilizando un modelo adaptativo a bordo para EHM. Sin embargo, los métodos convencionales para construir dicho modelo suelen ser tediosos o excesivamente dependientes de datos. Para mejorar la precisión de la predicción del empuje, se puede aprovechar el conocimiento del dominio. Por lo tanto, este estudio presenta una estrategia para construir un modelo adaptativo a bordo que pueda predecir el empuje del motor de aeronaves en tiempo real. La estrategia combina el conocimiento del motor y la arquitectura de redes neuronales para construir un modelo de predicción. La arquitectura del modelo completo se divide en módulos separados que se mapean en una forma uno a uno utilizando un enfoque de descomposición del dominio. El conocimiento del dominio del motor se utiliza para guiar la selección de características y el diseño de la arquitectura de la red neuronal en el método. Además, este estudio explica las relaciones entre las características del motor de aeronaves y cómo el modelo puede predecir el empuje del motor en condiciones de vuelo. Para demostrar la efectividad y robustez de la arquitectura, se utilizaron cuatro conjuntos de datos de prueba diferentes para la validación. Los resultados muestran que el modelo de predicción del empuje creado por la arquitectura dada tiene desviaciones relativas máximas por debajo del 4.0% y desviaciones relativas promedio por debajo del 2.0% en todos los conjuntos de datos de prueba. En comparación con el rendimiento de los modelos creados por la arquitectura de red neuronal convencional en los cuatro conjuntos de datos de prueba, el modelo creado por la arquitectura presentada resulta más adecuado para la propulsión de aeronaves.