La inteligencia artificial (IA) se puede utilizar para optimizar la predicción de fluctuaciones de presión sobre las superficies externas de los lanzadores aeroespaciales y minimizar el número de pruebas en túneles de viento. En la presente investigación, se probaron y validaron diversas técnicas de aprendizaje automático (ML) capaces de predecir la carga acústica. Los métodos incluyeron árboles de decisión, regresión de procesos gaussianos (GPR), máquinas de soporte vectorial (SVM), redes neuronales artificiales (ANN), regresión lineal y métodos de conjunto como árboles agrupados y potenciados. Estos algoritmos se entrenaron utilizando datos experimentales de una extensa campaña de pruebas en túneles de viento realizada para apoyar el diseño de un vehículo lanzador VEGA (Vehículo Europeo de Nueva Generación) y proporcionar fluctuaciones de presión en la pared en muchas configuraciones. El objetivo principal de este estudio fue identificar, entre varios algoritmos, el método más adecuado capaz de procesar bases de datos tan complejas de manera eficiente y proporcionar predicciones fiables. Se emplearon diferentes índices estadísticos, incluidos el error cuadrático medio (RMSE), el error cuadrático medio (MSE) y un coeficiente de correlación (R-cuadrado), para evaluar el rendimiento de los métodos de ML. Entre todos los métodos, el algoritmo de árbol agrupado superó a los demás, proporcionando las predicciones más precisas, con bajo RMSE y altos valores de R-cuadrado en todos los casos de prueba. Otros métodos, como las ANN y GPR, mostraron errores más altos, lo que indica su menor idoneidad para este conjunto de datos. Los resultados demuestran que los métodos de árbol de decisión en conjunto son altamente efectivos para predecir cargas acústicas, ofreciendo predicciones fiables, incluso para configuraciones fuera de la base de datos de entrenamiento. Estos hallazgos apoyan la aplicación de modelos basados en ML para optimizar campañas experimentales y mejorar el diseño de vehículos lanzadores aeroespaciales.