Este trabajo presenta un enfoque de aprendizaje automático (ML) para el seguimiento de volumen en simulaciones computacionales de flujo multifásico. Es una alternativa a un procedimiento comúnmente utilizado en el método de volumen de fluido (VOF) para el seguimiento de volumen, en el cual se reconstruyen las interfaces de fase para el cálculo de flujo seguido de la advección de volumen. Al eludir los pasos computacionalmente costosos de reconstrucción de interfaces y cálculo de flujo, el enfoque de ML propuesto realiza la advección de volumen en un solo paso, prediciendo directamente las fracciones de volumen en el siguiente paso de tiempo. La función de ML propuesta es bidimensional y tiene once entradas. Se entrenó utilizando la Deep Learning Toolbox de MATLAB (R2021a) con un método de búsqueda en cuadrícula para encontrar una configuración óptima de red neuronal. El rendimiento de la función de ML se evalúa utilizando casos de prueba canónicos, incluidos pruebas de traducción, rotación y vórtice. Los errores en los campos de fracción de volumen obtenidos por la función de ML se comparan con los del método VOF. En condiciones ideales, la función de ML acelera los cálculos cuatro veces en comparación con el método VOF. Sin embargo, en términos de robustez y precisión general, el método VOF sigue siendo superior. Este estudio demuestra el potencial de aplicar métodos de ML a simulaciones de flujo multifásico mientras destaca áreas para una mejora adicional.