Entender los impactos causales entre varios parámetros es esencial para diseñar vehículos aéreos micro (MAV). La simulación de dinámica de fluidos computacional (CFD) nos proporciona una técnica para calcular las fuerzas aerodinámicas con precisión. Sin embargo, incluso un solo resultado suele requerir un tiempo computacional considerable. El aprendizaje automático, debido al avance en el hardware informático, muestra otro enfoque que puede acelerar el proceso de análisis. En este estudio, introducimos un marco de red neuronal artificial (ANN) para predecir las fuerzas aerodinámicas transitorias y el consumo de energía correspondiente. En lugar de considerar todos los cambios transitorios de cada parámetro como entradas, utilizamos la técnica de transformada de Fourier para simplificar la estructura de la ANN y minimizar el costo computacional. Además, se intentaron dos funciones de activación típicas, unidad lineal rectificada (ReLU) y sigmoide, para construir la red. La validez del método se examinó aún más comparándolo con la simulación CFD. El resultado muestra que ambas funciones son capaces de proporcionar estimaciones altamente precisas que pueden implementarse para la construcción de modelos bajo este marco. En consecuencia, este nuevo enfoque hace posible reducir la complejidad del análisis, estudiar la aerodinámica de alas batientes y permitir una forma más eficiente de optimizar parámetros.