El tema de este estudio presenta un método empleado en el aprendizaje profundo para crear un modelo y predecir el siguiente período de velocidad de flujo turbulento. Los datos aplicados en este estudio son conjuntos de datos extraídos de flujos turbulentos simulados en el laboratorio con los números de Reynolds de la microscale de Taylor en el rango de 90 < R < 110. El flujo ha sido sembrado con partículas trazadoras. La intensidad turbulenta del flujo se crea y controla mediante ocho impulsores colocados en una instalación de turbulencia. La deformación del flujo se ha llevado a cabo a través de dos placas planas circulares que se mueven una hacia la otra en el centro del tanque. Se ha aplicado el método de seguimiento de partículas lagrangianas para medir las características del flujo. Los datos han sido procesados para extraer las propiedades del flujo. Dado que el conjunto de datos es secuencial, se utiliza para entrenar un modelo de memoria a largo y corto plazo y una unidad recurrente con compuertas. Se ha aplicado el módulo DEEP-DAM de la máquina de computación paralela del centro de supercomputación de Juelich para acelerar el modelo. La salida predicha fue evaluada y validada por el resto de los datos del experimento para el siguiente período. Los resultados de este enfoque muestran resultados de predicción precisos que podrían desarrollarse más para una documentación de datos más extensa y utilizarse para ayudar en aplicaciones similares. El error medio absoluto y el puntaje R2 oscilan entre 0.001-0.002 y 0.9839-0.9873, respectivamente, para ambos modelos con dos proporciones de datos de entrenamiento distintas. El uso de GPUs aumenta la velocidad de rendimiento del LSTM más que las aplicaciones sin GPUs.