El método de volumen de fluido (VoF) se utiliza ampliamente en simulaciones de flujo multifásico para rastrear y localizar la interfaz entre dos fluidos inmiscibles. La fracción de volumen relativa en cada celda se utiliza para recuperar las propiedades de la interfaz (es decir, normal, ubicación y curvatura). El cálculo preciso de la curvatura local de la interfaz es esencial para la evaluación de la fuerza de tensión superficial en la interfaz. Sin embargo, este paso de reconstrucción de la interfaz es un importante cuello de botella del método VoF debido a su alto costo computacional y baja precisión en mallas no estructuradas. Los intentos recientes de aplicar enfoques basados en datos a este problema han superado a los métodos convencionales en muchos casos de prueba. Sin embargo, estos métodos basados en aprendizaje automático están restringidos a cálculos en mallas estructuradas. En este trabajo, proponemos un método VoF mejorado por aprendizaje automático basado en redes neuronales de grafos (GNN) para acelerar la reconstrucción de la interfaz en mallas no estructuradas generales. Primero desarrollamos una metodología para generar un conjunto de datos sintético basado en superficies paraboloides discretizadas en mallas no estructuradas para obtener un conjunto de datos similar a las configuraciones encontradas en entornos industriales. Luego entrenamos una arquitectura GNN optimizada en este conjunto de datos. Nuestro enfoque se valida utilizando soluciones analíticas y comparaciones con métodos convencionales en el marco de OpenFOAM en una prueba canónica. Presentamos resultados prometedores para la eficiencia de los enfoques basados en GNN para la reconstrucción de la interfaz en simulaciones de flujo multifásico en el contexto industrial.