Según la hoja de ruta hacia la energía limpia, se ha pronunciado que el gas natural es el combustible de transición perfecto. A diferencia de los reservorios de gas seco habituales, los condensados de gas producen un líquido que permanece atrapado en los poros del reservorio debido a la alta capilaridad, lo que lleva a la pérdida de un producto económicamente valioso. Para compensar, el gas producido en la superficie se despoja de sus componentes pesados y se reinyecta de nuevo al reservorio como gas seco, lo que provoca la revaporación del condensado atrapado. Para optimizar este proceso de reciclaje de gas, se utiliza la simulación de reservorios composicionales, que, sin embargo, tarda mucho en completarse debido a la complejidad de las ecuaciones diferenciales que intervienen. Los cálculos que determinan los valores k prevalentes en cada bloque de la cuadrícula y en cada paso de tiempo representan una gran parte del tiempo total de CPU. En este trabajo, se emplea el aprendizaje automático (ML) para acelerar los cálculos termodinámicos al proporcionar los valores k prevalentes en una fracción muy pequeña del tiempo requerido por los métodos convencionales. Se entrenan herramientas de regresión como redes neuronales artificiales (ANN) contra los valores k que se han obtenido previamente al ejecutar simulaciones de muestra en dominios pequeños. Posteriormente, las herramientas de regresión entrenadas se integran en los simuladores, actuando así como modelos proxy. El error de predicción logrado se muestra como despreciable para las necesidades de una simulación de reservorio de condensado de gas en el mundo real. La ganancia de tiempo de CPU es de al menos un orden de magnitud, lo que convierte el enfoque propuesto en otro paso exitoso hacia la implementación de ML en el campo de la energía limpia.