Cuando los fluidos fluyen en las tuberías, los materiales en ellos causan depósitos que se forman dentro de las tuberías con el tiempo, lo cual es una amenaza para la eficiencia de los equipos y su depreciación. En el presente estudio, se presenta un método para detectar el porcentaje de volumen de flujo bifásico considerando la presencia de incrustaciones dentro de la tubería de prueba utilizando redes de inteligencia artificial. El método es no invasivo y funciona de tal manera que el detector ubicado en un lado de la tubería absorbe los fotones que han pasado por el otro lado de la tubería. Estos fotones son emitidos a la tubería por una fuente dual de los isótopos bario-133 y cesio-137. El código Monte Carlo N Particle (MCNP) simula la estructura, y se extraen características wavelet de los datos registrados por el detector. Estas características se consideran entradas de los métodos de manejo de datos de grupo (GMDH). Se entrena una red neuronal para determinar el porcentaje de volumen con alta precisión independientemente del grosor de la incrustación en la tubería. En esta investigación, para implementar un sistema preciso para trabajar en condiciones de operación, se simulan diferentes condiciones, incluidos diferentes regímenes de flujo y diferentes valores de grosor de incrustación, así como diferentes porcentajes de volumen. El sistema propuesto es capaz de determinar los porcentajes de volumen con alta precisión, independientemente del tipo de régimen de flujo y la cantidad de incrustaciones dentro de la tubería. El uso de técnicas de extracción de características en la implementación del sistema de detección propuesto no solo reduce el número de detectores, reduce los costos y simplifica el sistema, sino que también aumenta la precisión en gran medida.