La optimización de la energía es un aspecto cada vez más importante de las aplicaciones de computación de alto rendimiento de hoy en día. En particular, el escalado dinámico de voltaje y frecuencia (DVFS) se ha convertido en una solución ampliamente adoptada para equilibrar el rendimiento y el consumo de energía, y los proveedores de hardware proporcionan bibliotecas de gestión que permiten al programador cambiar manualmente las frecuencias de memoria y núcleo para minimizar el consumo de energía y maximizar el rendimiento. Este artículo se centra en modelar el consumo de energía y la aceleración de las aplicaciones de GPU mientras se utilizan diferentes configuraciones de frecuencia. La tarea no es sencilla, debido al gran conjunto de configuraciones posibles y uniformemente distribuidas, y debido a la naturaleza multiobjetivo del problema, que minimiza el consumo de energía y maximiza el rendimiento. Este artículo propone un método basado en aprendizaje automático para predecir las mejores configuraciones de frecuencia de núcleo y memoria en las GPUs para un kernel de OpenCL de entrada. El método se basa en dos modelos para predicciones de aceleración y energía normalizada sobre la configuración de frecuencia predeterminada. Estos se combinan más tarde en un enfoque multiobjetivo que predice un conjunto de Pareto de configuraciones de frecuencia. Los resultados muestran que nuestro enfoque es muy preciso para predecir los extremos y el conjunto de Pareto, y encuentra configuraciones de frecuencia que dominan la configuración predeterminada en cuanto a energía o rendimiento.