Las simulaciones pueden reducir el tiempo y el costo para desarrollar y desplegar tecnologías avanzadas y permitir su rápida escalabilidad para sistemas de energía basados en combustibles fósiles. Sin embargo, para garantizar su utilidad en la práctica, es necesario establecer la credibilidad de las simulaciones mediante métodos de cuantificación de incertidumbre (UQ). El Laboratorio Nacional de Tecnología Energética (NETL) ha estado aplicando metodologías de UQ no intrusivas para categorizar y cuantificar las incertidumbres en simulaciones de dinámica de fluidos computacional (CFD) de flujos multifásicos gas-sólido. Para reducir el costo computacional asociado con las simulaciones de flujo gas-sólido requeridas para el análisis de UQ, se utilizan técnicas comúnmente empleadas en el área de inteligencia artificial (IA) y minería de datos para construir modelos proxy inteligentes, que pueden reducir el costo computacional de realizar un gran número de simulaciones CFD multifásicas. Se ha investigado la viabilidad de utilizar IA y aprendizaje automático para construir un proxy inteligente para un flujo multifásico gas-sólido al observar el comportamiento del flujo y de las partículas en un lecho fluidizado rectangular no reactante. Se utilizó el solucionador multifásico interno del NETL, Multiphase Flow with Interphase eXchanges (MFiX), para generar datos de simulación para el lecho fluidizado rectangular. Se utilizó una red neuronal artificial (ANN) para construir un proxy inteligente de CFD, que es capaz de reproducir los resultados de CFD con un error razonable (alrededor del 10%). Se utilizaron varios casos ciegos para validar esta tecnología. Los resultados muestran una buena concordancia con las ejecuciones de CFD, mientras que el enfoque es menos costoso computacionalmente. El modelo desarrollado puede utilizarse para generar los resultados promediados en el tiempo de cualquier lecho fluidizado dado con la misma geometría y diferentes velocidades de entrada en un par de minutos.