В силу сложности натурных экспериментов и ограничений по масштабу для наземных установок, в настоящее время численное моделирование гиперзвуковых течений является одним из ключевых методов исследований в газовой динамике. Для гиперзвуковых потоков, в связи с высокими температурами за фронтом ударной волны, для корректного моделирования течения приходится учитывать явления вязкости и теплопроводности, а также физико-химические процессы. Наиболее точный расчет коэффициентов переноса для компонентов воздуха может быть произведен на основании результатов кинетической теории процессов переноса и релаксации, с использованием метода Энскога-Чепмена для решения уравнений Больцмана. Однако, подобный подход к моделированию приводит к необходимости трудоёмких вычислений столкновительных интегралов на каждом шаге итерационной процедуры, количество которых в системе растет с увеличением точности решения. С другой стороны, для расчета коэффициентов переноса существует ряд приближенных формул, таких как соотношения Блоттнера для вязкости и Эйкена для теплопроводности. Применение алгоритмов регрессии (в том числе нейросетей), обученных на данных точного расчета, но вычислительно относительно экономичных, является перспективным с точки зрения баланса скорости и точности вычислений. Основной платформой для расчета параметров течения являлась открытая интегрируемая платформа для численного моделирования задач механики сплошной среды OpenFOAM. На примере задачи обтекания сферы гиперзвуковым потоком многокомпонентного воздуха исследуются различные подходы к применению методов машинного обучения в связке с методом конечных объемов.