Los embragues de múltiples discos desempeñan roles críticos en cuanto a seguridad en muchas aplicaciones. Por esta razón, el correcto funcionamiento y la operación segura son esenciales. Los daños espontáneos son particularmente críticos porque la falla del embrague puede llevar a una falla del sistema. Tales daños ocurren principalmente debido a cargas muy altas y, en última instancia, a temperaturas muy altas. El Análisis de Elementos Finitos (FEA) permite la simulación y predicción de estas temperaturas, pero es muy laborioso y costoso. Con el fin de reducir este esfuerzo computacional, se pueden crear modelos sustitutos utilizando métodos de aprendizaje automático (ML), los cuales reproducen el comportamiento de entrada y salida. En este estudio, se evalúan varios métodos de ML (regresión polinómica, árbol de decisión, regresor de vector de soporte, proceso gaussiano y redes neuronales) con respecto a su capacidad para predecir la temperatura máxima del embrague basada en las cargas de un ciclo de deslizamiento. Los modelos se examinan basándose en dos casos de uso. En el primer caso de uso, se varían la fuerza axial y la velocidad. En el segundo caso de uso, el grosor del revestimiento se modifica adicionalmente. Mostramos que los enfoques de ML logran resultados fundamentalmente buenos para ambos casos de uso. Además, mostramos que el proceso gaussiano y la red neuronal de retropropagación proporcionan los mejores resultados en ambos casos y que se cumple el requisito de generar predicciones durante la operación.