En muchos contextos de computación científica y ciencia de la ingeniería, los fenómenos son monitoreados a lo largo del tiempo y los datos son recopilados como series temporales. Se han propuesto numerosos algoritmos en el campo de la minería de datos de series temporales, muchos de ellos basados en técnicas de aprendizaje profundo. Las simulaciones de alta fidelidad de escenarios complejos son verdaderamente costosas computacionalmente y un monitoreo y control en tiempo real podrían lograrse eficientemente mediante el uso de inteligencia artificial. En este trabajo construimos modelos precisos basados en datos de un flujo transitorio de dos fases en un canal calentado, como comúnmente se encuentra en intercambiadores de calor. Los métodos propuestos combinan varias arquitecturas de redes neuronales artificiales, que involucran convoluciones profundas estándar y transpuestas. En particular, se ha desarrollado un integrador en tiempo real muy preciso del sistema.