Este estudio investigó la capacidad de las redes neuronales artificiales (ANNs) para resolver la dinámica no lineal inherente al comportamiento de flujos de fluidos complejos, que a menudo exhiben características multifacéticas que desafían los métodos analíticos o numéricos tradicionales. Al emplear pares de perfiles de flujo generados a través de simulaciones numéricas de alta fidelidad, que abarcan tanto los problemas de referencia unidimensionales como el más intrincado problema de transición de capa límite tridimensional, esta investigación demuestra de manera convincente que las redes neuronales poseen una notable capacidad para capturar eficazmente las discontinuidades y las sutiles características de onda que ocurren a escalas pequeñas dentro de flujos de fluidos complejos, mostrando así su robustez en el manejo de fenómenos de dinámica de fluidos intrincados. Además, incluso en el contexto de problemas tridimensionales desafiantes, este estudio revela que los perfiles de velocidad promedio pueden preverse con un alto grado de precisión, utilizando un número limitado de perfiles de entrada durante la fase de entrenamiento, lo que subraya la eficiencia y eficacia del modelo en la comprensión de sistemas complejos. Los hallazgos de este estudio subrayan significativamente el inmenso potencial que las redes neuronales artificiales, junto con las metodologías de aprendizaje profundo, tienen para avanzar en nuestra comprensión de la física fundamental que rige los sistemas de dinámica de fluidos complejos, al mismo tiempo que demuestran su aplicabilidad en una variedad de escenarios de flujo y su capacidad para proporcionar revelaciones perspicaces sobre las relaciones no lineales que existen entre diversos parámetros de flujo, allanando así el camino para futuras investigaciones en esta área crítica de estudio.