Cálculos precisos de la transferencia de calor y la temperatura máxima de la pared resultante son esenciales para el diseño óptimo de sistemas de enfriamiento regenerativo fiables y eficientes. Sin embargo, predecir la transferencia de calor del metano supercrítico que fluye en los canales de enfriamiento de un combustor de cohete enfriado regenerativamente presenta un desafío significativo. Los cálculos CFD de alta fidelidad proporcionan una precisión suficiente, pero son computacionalmente demasiado costosos para ser utilizados dentro de rutinas de optimización de diseño elaboradas. En un trabajo anterior se ha demostrado que un modelo sustituto basado en redes neuronales es capaz de predecir la temperatura máxima de la pared a lo largo de canales de enfriamiento rectos con una precisión convincente cuando se entrena con datos de simulaciones CFD para segmentos simples de canales de enfriamiento. En este artículo, la metodología se extiende a canales de enfriamiento con curvatura. Las predicciones del modelo extendido se prueban contra simulaciones CFD con diferentes condiciones de contorno para el contorno representativo del combustor LUMEN con geometrías y densidades de flujo de calor variables. La alta precisión de las predicciones del modelo extendido sugiere que será una herramienta valiosa para diseñar y analizar sistemas de enfriamiento regenerativo con mayor eficiencia y efectividad.