Mejorar las capacidades predictivas de los modelos de orden reducido para el diseño de elementos de inyectores y cámaras de motores cohetes podría mejorar significativamente la calidad de los diseños iniciales de cámaras de cohetes. En el presente trabajo, proponemos una metodología innovadora que utiliza simulaciones numéricas de alta fidelidad de flujos reactivos turbulentos y inteligencia artificial para la generación de modelos sustitutos. Los modelos sustitutos que se generaron y analizaron son redes de aprendizaje profundo entrenadas en un conjunto de datos de 100 simulaciones de grandes remolinos de una cámara de inyectores coaxiales de corte único. El diseño de experimentos se creó considerando tres parámetros de diseño: diámetro de la cámara, longitud del rebaje y relación oxidante-combustible. El artículo presenta la metodología desarrollada para entrenar y optimizar los modelos impulsados por datos. Se utilizaron redes neuronales completamente conectadas (FCNN) y U-Nets como tecnología de modelado sustituto. Finalmente, los modelos sustitutos para la cantidad global, el promedio y los campos de raíz cuadrada media se utilizaron para analizar el impacto de la longitud del rebaje del poste en el rendimiento obtenido y el comportamiento del flujo.