Se empleó el aprendizaje automático para realizar predicciones de transferencia de calor laminar agnósticas al fluido en condiciones supercríticas, abarcando tres fluidos (sCO2, sH2O, sC10H22) que representan una amplia gama de condiciones de operación. Se generaron datos de entrenamiento de alta fidelidad, que consisten en parámetros no dimensionales y dimensionales (parámetro operativo) como entradas y Nu y Twall como salidas, a partir de simulaciones de dinámica de fluidos computacional (CFD) en estado estacionario y convergentes en la malla. El algoritmo de Bosques Aleatorios (RF) superó a las redes neuronales artificiales (ANN) en todos los escenarios en el pequeño conjunto de datos multi-fluido (~1600 puntos de datos) utilizado durante el proceso de entrenamiento. Al utilizar parámetros no dimensionales como entradas, las fidelidades de predicción de Nu fueron mejores que las predicciones de Twall para ambos algoritmos de ML en configuraciones horizontales y verticales. El modelo RF entrenado con datos de una configuración de flujo específica (horizontal/vertical) pudo predecir Twall con una precisión de +/-1% con parámetros operacionales dimensionales como entradas, siendo agnóstico al fluido de trabajo. Además, al incluir el vector de gravedad como una variable adicional durante el proceso de entrenamiento, el modelo RF pudo predecir Twall con precisión en un conjunto de datos mixto y multi-fluido que contenía datos de configuraciones tanto horizontales como verticales.