Запропоновано інтеграцію різних підходів, що інтегрує класичну методологію аналізу дерева відмов Fault Tree Analysis (FTA) з алгоритмами машинного навчання, а саме рекурентними нейронними мережами типу Long Short-Term Memory (LSTM). Методологія FTA забезпечує необхідний структурний каркас, встановлюючи причинно-наслідкові зв'язки між базовими подіями (відмовами елементів) та головною подією (відмовою двигуна) через логічні оператори. Ключова ідея полягає у використанні LSTM-мереж для динамічного прогнозування ймовірності відмови кожного окремого критичного вузла системи. LSTM-мережі, відомі своєю здатністю ефективно обробляти великі обсяги послідовних даних (часові ряди), навчаються на історичних даних експлуатаційних параметрів двигуна, які включають температуру, тиск, вібрацію та інші критичні показники. Це дозволяє моделі фіксувати складні, довготривалі залежності, що передують фактичній відмові.