A medida que las regulaciones de emisiones se vuelven cada vez más estrictas, los motores de doble combustible diésel/gas natural se consideran una solución prometedora y han atraído una amplia atención en la investigación. Sin embargo, sus complejos procesos de combustión presentan desafíos significativos para los enfoques tradicionales de modelado de combustión. Los métodos de modelado basados en datos ofrecen una forma efectiva de capturar la complejidad de los procesos de combustión, pero su rendimiento está críticamente limitado por la cantidad y calidad de los datos de prueba. Para abordar estas limitaciones, este estudio propone un marco de modelo de predicción de combustión para motores de doble combustible basado en redes neuronales y aumento de datos, con el objetivo de lograr predicciones rápidas y de alta calidad de la curva de tasa de liberación de calor. Primero, se introduce una arquitectura de aumento de datos de regresión híbrida basada en una Red Generativa Antagónica (GAN) mejorada para permitir un aumento de conjunto de datos de alta calidad. Posteriormente, se emplea una Red Neuronal Bayesiana (BNN) para construir un modelo de predicción de parámetros de Wiebe para motores de doble combustible con un modelo de entrenamiento acelerado y optimizado. Mientras tanto, se propone un método de asignación de pesos adaptativos basado en el rendimiento de precisión del modelo, logrando una distribución de precisión equilibrada en múltiples dimensiones de salida y mejorando aún más la capacidad de generalización del modelo. En general, el enfoque de modelado propuesto introduce optimizaciones de compensación tanto en las dimensiones de datos como en las del modelo, mejorando la eficiencia de entrenamiento y aprendizaje, lo que ofrece una dirección valiosa para modelos de predicción basados en datos con significado práctico.