La predicción precisa del rendimiento en la fase de diseño de motores síncronos de imán permanente (PMSMs) es esencial para optimizar la eficiencia y la funcionalidad. Aunque el análisis de elementos finitos en 2-D (FEA) se utiliza comúnmente debido a su bajo costo computacional, pasa por alto componentes de flujo 3-D importantes, como el flujo de fuga axial (ALF) y el flujo de borde (FF) que afectan el rendimiento del motor. Aunque el FEA 3-D puede tener en cuenta estos componentes de flujo, es costoso computacionalmente e impráctico para iteraciones de diseño rápidas. Para abordar este desafío, proponemos un método de predicción del rendimiento para motores síncronos de imán permanente de interior (IPMSMs) que incorpora efectos de flujo 3-D mientras reduce el tiempo computacional. Este método utiliza el aprendizaje profundo por transferencia (DTL) para transferir conocimientos de un gran conjunto de datos de FEA en 2-D a un conjunto de datos de FEA en 3-D más pequeño y costoso computacionalmente. El modelo se entrena con datos de FEA en 2-D y se ajusta con datos de FEA en 3-D para predecir con precisión el rendimiento del motor, considerando variables de diseño como el diámetro del estator, la longitud axial y el diseño del rotor. El método se valida a través de simulaciones de FEA en 3-D y pruebas experimentales, mostrando que reduce el tiempo computacional y predice con precisión las características del motor en comparación con los enfoques tradicionales de FEA en 3-D.