En esta investigación, presentamos un marco basado en aprendizaje profundo diseñado para la predicción del flujo transónico a través de una cascada lineal utilizando datos de nubes de puntos a gran escala. En nuestros casos experimentales, las predicciones demuestran una mejora de velocidad casi cuatro veces mayor en comparación con los cálculos CFD tradicionales, manteniendo un nivel de precisión encomiable. Aprovechando una estructura de gráfico multicapa, el marco puede extraer simultáneamente información global y local del campo de flujo de la cascada y presentar predicciones sobre datos no estructurados. De acuerdo con los resultados obtenidos de los conjuntos de datos de prueba, realizamos un análisis en profundidad de los atributos geométricos de las cascadas reconstruidas utilizando nuestro marco, considerando los ajustes realizados a la información geométrica de la nube de puntos. Ajustamos la entrada utilizando 1603 puntos de datos y cuantificamos la contribución de cada punto. Los resultados revelan que las variaciones en el lado de succión de la cascada tienen una influencia significativamente más sustancial en los resultados del campo en comparación con el lado de presión y explican cómo funcionan las redes neuronales de grafos para la predicción del campo de flujo de la cascada, mejorando la comprensión de la predicción del campo de flujo basada en grafos entre los desarrolladores y demostrando el potencial de las redes neuronales de grafos en la predicción del campo de flujo en nubes de puntos a gran escala y en el diseño.