La concentración de partículas es un parámetro importante para describir el estado del flujo bifásico gas-sólido. Este estudio compara el rendimiento de tres métodos, a saber, Redes Neuronales de Retropropagación (BPNNs), Redes Neuronales Recurrentes (RNNs) y Memoria a Largo y Corto Plazo (LSTM), en el manejo de datos de flujo bifásico gas-sólido. El experimento utilizó siete parámetros, incluyendo temperatura, humedad, señales de sensores aguas arriba y aguas abajo, retraso, diferencia de presión y concentración de partículas, como conjunto de datos. Las métricas de evaluación, como la precisión de predicción, se utilizaron para el análisis comparativo por parte de los experimentadores. Los resultados del experimento indican que las precisiones de predicción de los experimentos de RNN, LSTM y BPNN fueron del 92.4%, 92.7% y 92.5%, respectivamente. La investigación futura puede centrarse en optimizar aún más el rendimiento de BPNN, RNN y LSTM para mejorar la precisión y eficiencia del procesamiento de datos de flujo bifásico gas-sólido.