Los modelos de predicción de ruido en aeropuertos se dividen en métodos guiados por la física y métodos basados en datos. Los resultados de predicción de los métodos guiados por la física son relativamente estables, pero su precisión general de predicción es inferior a la de los métodos basados en datos. Sin embargo, los métodos de aprendizaje automático tienen una precisión de predicción relativamente alta, pero su estabilidad de predicción es inferior a la de los métodos guiados por la física. Por lo tanto, este artículo integra el modelo ECAC, impulsado por principios de aerodinámica y acústica bajo el marco de redes neuronales profundas, y establece un modelo de predicción de ruido de red neuronal guiado por la física. Este modelo hereda la estabilidad de los métodos guiados por la física y la alta precisión de los métodos basados en datos. El modelo propuesto superó a los modelos guiados por la física y basados en datos en cuanto a precisión de predicción y capacidad de generalización, logrando un error absoluto promedio de 0.98 dBA en la predicción del nivel de exposición al sonido. Este éxito se debió a la fusión de principios basados en la física con enfoques basados en datos, proporcionando una comprensión más completa de la predicción del ruido de la aviación.