Los fenómenos de entrainment de aire tienen una fuerte influencia en la operación hidráulica de un pozo de caída. Una insuficiente entrada de aire del exterior puede llevar a condiciones de operación deficientes, con la aparición de presiones negativas dentro del pozo de caída, y los efectos de estrangulación o de contracorriente de los flujos aguas abajo y aguas arriba, respectivamente. Los fenómenos de entrainment de aire son muy complejos; además, es imposible definir relaciones funcionales simples entre el flujo de aire y las variables hidrodinámicas y geométricas de las que depende. Sin embargo, este problema puede abordarse correctamente utilizando modelos de predicción basados en algoritmos de aprendizaje automático (ML), que pueden proporcionar herramientas fiables para abordar problemas altamente no lineales relacionados con la hidrodinámica experimental. Además, se pueden desarrollar modelos híbridos combinando diferentes algoritmos de aprendizaje automático. La hibridación puede llevar a una mejora en la precisión de la predicción. Se construyeron dos modelos diferentes para predecir el flujo de aire total entrado utilizando datos obtenidos durante una extensa campaña experimental. Los modelos se basaron en diferentes combinaciones de predictores. Para cada modelo, se desarrollaron cuatro variantes híbridas diferentes, comenzando desde los tres algoritmos individuales: KStar, bosque aleatorio y regresión de vectores de soporte. Las mejores predicciones se obtuvieron con el modelo basado en el mayor número de predictores. Además, entre todas las variantes, la que se basó en los tres algoritmos resultó ser la más precisa.