Las simulaciones de flujos de fluidos a escala nanométrica presentan una producción masiva de datos y se han desarrollado técnicas de aprendizaje automático (ML) en los últimos años para aprovecharlos, presentando resultados únicos. Este trabajo facilita herramientas de ML para proporcionar una visión sobre las propiedades entre simulaciones de dinámica molecular (MD), cubriendo puntos de datos faltantes y prediciendo estados no localizados previamente por la simulación. Tomando el flujo de fluidos de un simple líquido de Lennard-Jones en rendijas a escala nanométrica como base, se explotan algoritmos basados en regresión de ML para proporcionar una alternativa para el cálculo de propiedades de transporte de fluidos, por ejemplo, el coeficiente de difusión, la viscosidad de corte y la conductividad térmica, así como la velocidad promedio a través de los nano-canales. A través de un entrenamiento y prueba adecuados, se pueden extraer valores predichos por ML para varias variables de entrada, como las características geométricas de las rendijas, los parámetros de interacción entre partículas y la fuerza impulsora del flujo. La técnica propuesta podría actuar en paralelo a la simulación como un medio para enriquecer la base de datos de propiedades de materiales, asistiendo en el acoplamiento entre escalas y acelerando los cálculos científicos basados en datos.