El estudio actual comienza con una investigación experimental centrada en medir la caída de presión de una mezcla de agua y aire bajo diferentes condiciones de flujo en un sistema que consiste en tubos horizontales lisos. Luego se implementan tuberías basadas en aprendizaje automático (ML) para proporcionar estimaciones de los valores de caída de presión empleando características adimensionales obtenidas. Posteriormente, se emplea una metodología de selección de características para identificar las características clave, facilitando la interpretación de los fenómenos físicos subyacentes y mejorando la precisión del modelo. En el siguiente paso, utilizando un enfoque de optimización basado en algoritmos genéticos, se determina el algoritmo de aprendizaje automático preeminente, junto con sus parámetros de ajuste óptimos asociados. Finalmente, los resultados de la tubería óptima proporcionan un Error Porcentual Absoluto Medio (MAPE) del 5.99% en el conjunto de validación y del 7.03% en la prueba. Dado que el conjunto de datos empleado y los modelos óptimos obtenidos estarán disponibles para el acceso público, el enfoque presente proporciona una reproducibilidad y facilidad de uso superiores en contraste con los modelos físicos existentes reportados en la literatura, logrando una precisión significativamente mayor.