پیش‌بینی دقیق توزیع فشار سطح برای تحلیل آیرودینامیکی و طراحی اجسام با تقارن محوری پرسرعت، به‌ویژه برای پیکربندی‌هایی مانند مخروط‌ها و فلرهای کروی، بسیار مهم است. دینامیک سیالات محاسباتی سنتی (CFD) نتایج قابل اعتمادی ارائه می‌دهد اما از نظر محاسباتی گران است، به‌ویژه هنگام ارزیابی تغییرات هندسی متعدد. برای پرداختن به این چالش، ما یک شبکه حافظه کوتاه‌مدت بلندمدت دوطرفه (BiLSTM) را به عنوان یک مدل جایگزین مبتنی بر داده برای پیش‌بینی ضریب فشار (Cp) در امتداد سطوح متقارن محوری پیشنهاد می‌کنیم. BiLSTM از ماهیت ترتیبی هندسه سطح برای یادگیری ویژگی‌های جریان محلی و جهانی از یک مجموعه داده فشرده از شبیه‌سازی‌های CFD با دقت بالا استفاده می‌کند. هشتاد هندسه، که هر کدام توسط هفت پارامتر کلیدی تعریف شده‌اند، در سرعت ماخ ۲ با استفاده از CFD متقارن محوری دوبعدی تحت فرضیات جریان آرام شبیه‌سازی شدند. مطالعات مقایسه‌ای با شبکه‌های عصبی پیش‌خور (FNN) و معماری‌های LSTM تک‌جهته، برتری BiLSTM را نشان می‌دهد و به R² = 0.985 و میانگین خطای مطلق ۰.۰۴۵ دست یافته است. نتایج نشان می‌دهد که ساختار دو جهته به طور مؤثر همبستگی‌های مکانی رو به جلو و عقب را ثبت می‌کند و پیش‌بینی‌های Cp روان و از نظر فیزیکی سازگار، به ویژه در نزدیکی مناطق تراکم سکون و شعله‌ور، ارائه می‌دهد. این چارچوب یک رویکرد محاسباتی کارآمد، با دقت بالا و قابل تعمیم برای پیش‌بینی آیرودینامیکی ارائه می‌دهد و پتانسیل قابل توجهی برای طراحی مفهومی سریع و مطالعات پارامتری اجسام متقارن محوری پیچیده ارائه می‌دهد.