En este artículo se discuten el procedimiento y el método para la predicción de la acumulación de hielo en diferentes perfiles aerodinámicos utilizando redes neuronales artificiales (ANNs). Un conjunto de datos para la red neuronal se basa en los resultados de experimentos numéricos obtenidos a través del solucionador iceFoam, con cuatro perfiles aerodinámicos (NACA0012, Aviación General, Jet de Negocios y Transporte Comercial). Los datos de entrada para las redes neuronales incluyen geometrías de perfiles aerodinámicos y hielo, transformadas en un conjunto de parámetros utilizando un sistema de coordenadas parabólicas y expansión en series de Fourier. Además, las características de entrada incluyen parámetros físicos del flujo (velocidad, temperatura, diámetro de las gotas, contenido de agua líquida, tiempo de acumulación de hielo) y ángulo de ataque. La novedad de este trabajo radica en que el conjunto de datos de la red neuronal incluye varios perfiles aerodinámicos y la técnica de aumento de datos es una combinación de todas las instantáneas de tiempo. Se entrenaron varias redes neuronales artificiales (ANNs), redes completamente conectadas (FCNNs) y redes convolucionales (CNNs) para predecir las formas de hielo en los perfiles aerodinámicos. Se consideraron dos funciones de pérdida diferentes. Para mejorar el rendimiento de los modelos, se utilizaron capas de normalización por lotes y de abandono. Los resultados más precisos de la predicción de la forma del hielo se obtuvieron utilizando CNN y FCNN que aplicaron normalización por lotes y capas de abandono a las neuronas de salida de cada capa.