A medida que la dinámica de fluidos computacional (CFD) se ha vuelto más común en los flujos de trabajo de ingeniería de producción, se han introducido nuevas demandas que requieren mallas de alta calidad para capturar con precisión las geometrías complejas. Esta evolución ha creado la necesidad de marcos de generación de mallas que ayuden a los ingenieros a diseñar estructuras de malla optimizadas para cada nueva geometría. Sin embargo, muchos flujos de trabajo de simulación dependen de la experiencia y la intuición de ingenieros senior en lugar de marcos sistemáticos. En este documento, se crea una técnica novedosa para determinar la convergencia de la malla utilizando aprendizaje automático (ML). Este método busca proporcionar a los ingenieros de procesos un mecanismo de retroalimentación visual de las regiones de flujo que requieren refinamiento de malla. El trabajo se llevó a cabo creando tres estudios de sensibilidad de malla en varias geometrías: placa plana con gradiente de presión cero, bulto en canal y chorro libre axisimétrico. Los casos se simularon utilizando los modelos de Navier-Stokes promediados por Reynolds (RANS) en OpenFOAM (v2306) y se aplicó el método de ML posteriormente utilizando Python (v3.12.6). Para aplicar el método a cada caso, el campo de flujo se regionalizó y agrupó utilizando un modelo de ML no supervisado. Los resultados de agrupamiento de ML se convirtieron en una puntuación de similitud, que compara dos niveles de malla para informar al usuario si la región del flujo había convergido. Para probar este marco, las puntuaciones de similitud se compararon con sondas de campo de flujo utilizadas para determinar la convergencia de la malla en puntos clave del flujo. Se encontró que el método estaba de acuerdo con las sondas de campo de flujo en el nivel de refinamiento de malla que creó convergencia. También se observó que el enfoque proporcionaba recomendaciones de regiones de refinamiento en regiones del flujo que se alinean con la intuición humana de la física del flujo.