Este estudio presenta un enfoque basado en aprendizaje automático para predecir bloqueos en el flujo multifásico con partículas cohesivas. El objetivo es predecir bloqueos basados en parámetros como los números de Reynolds y capilar utilizando un clasificador de bosque aleatorio entrenado con datos experimentales y de simulación. Las observaciones experimentales provienen de un bucle de flujo a escala de laboratorio con una suspensión de hielo en decano. La simulación de obstrucción se basa en la dinámica de fluidos computacional acoplada con el método de elementos discretos (CFD-DEM). El clasificador resultante demostró una alta precisión, validada por métricas de precisión, sensibilidad y puntuación F1, proporcionando una predicción precisa de bloqueos bajo condiciones de flujo específicas. Además, los análisis de sensibilidad destacaron la adaptabilidad del modelo a variaciones de cohesión. Equipados con el clasificador entrenado, generamos un detallado mapa de flujo basado en aprendizaje automático y lo comparamos con resultados de literatura previa, simulaciones y datos experimentales. Esta representación gráfica aclara los límites de bloqueo bajo condiciones dadas. El éxito de la metodología demuestra el potencial para modelado predictivo avanzado en diversos sistemas de flujo, contribuyendo a una mejor predicción y prevención de bloqueos.