Se propone un algoritmo numérico de acoplamiento innovador en el artículo actual, el método de seguimiento frontal-método de Boltzmann en red-aprendizaje automático (FTM-LBM-ML) método, para capturar con precisión las interfaces de fase del flujo de fluidos a escala mesoscópica y simular con precisión procesos dinámicos. Este método combina las habilidades distintivas del FTM para capturar con precisión las interfaces de fase y las ventajas del LBM para el manejo fácil de campos de flujo multicomponentes mesoscópicos. Tomando como ejemplo el ascenso de una sola vacuola, se construyen los conjuntos de entrada y salida del modelo de aprendizaje automático utilizando el campo de flujo del FTM, como los datos de velocidad y posición de marcadores de interfaz de fase. Estos conjuntos de datos se utilizan para entrenar el modelo de aprendizaje automático de Red Neuronal de Retropropagación Bayesiana-regularizada (BRBPNN) para establecer la relación correspondiente entre la velocidad de la interfaz de fase y la posición. Finalmente, la red neuronal BRBPNN entrenada se utiliza dentro del campo de flujo del modelo de potencial pseudo de LBM de múltiple relajación para predecir la posición de la interfaz de fase, que se compara con la simulación de FTM. Se observó que la interfaz predicha por BRBPNN dentro de LBM muestra un alto grado de consistencia con la posición de la interfaz predicha por FTM, lo que demuestra que el modelo BRBPNN es factible y cumple con los requisitos de precisión del modelo de acoplamiento FT-LB.