Las redes neuronales artificiales (ANNs) proporcionan aprendizaje supervisado a través de la evaluación de patrones de entrada y una gestión eficaz de recursos, mejorando así la eficiencia energética y prediciendo fluctuaciones ambientales. La técnica avanzada de las ANNs pronostica las emisiones de motores diésel al recopilar mediciones durante sesiones de prueba. Este estudio incluyó sesiones experimentales para establecer indicadores técnicos y ecológicos para un motor diésel en varios escenarios operativos. VALLUM01, una herramienta novedosa, ha sido creada con una interfaz fácil de usar para la entrada/salida de datos, destinada a los propósitos de prueba y predicción. Se realizó una recopilación exhaustiva de 12 parámetros de entrada y 10 parámetros de salida que fueron identificados como relevantes y suficientes para los objetivos de entrenamiento, validación y predicción. Se encontraron los rangos de valores adecuados para transformar en conjuntos difusos para la entrada/salida a una ANN. Dado que la sesión de entrenamiento de la ANN comprende 1,000,000 épocas y 1000 perceptrones dentro de una capa oculta única, su efectividad puede considerarse alta. Muchas distribuciones estadísticas, incluyendo Pearson, Spearman y Kendall, validan la precisión de la predicción. La precisión varía en promedio del 96%, y en algunos casos, puede llegar hasta el 99%.