El microclima del viento juega un papel importante en el diseño arquitectónico, y la dinámica de fluidos computacional es un método comúnmente utilizado para analizar el problema. Sin embargo, debido a su alta dificultad técnica y naturaleza que consume mucho tiempo, limita la interacción y exploración entre los diseñadores y los análisis de rendimiento ambiental. Para abordar el problema, los académicos han propuesto una serie de modelos de aproximación basados en aprendizaje automático que han mejorado parcialmente la eficiencia computacional. Sin embargo, estos métodos enfrentan desafíos en términos de equilibrar la aplicabilidad, la precisión de la predicción y el tamaño de la muestra. En este artículo, proponemos un método basado en la clásica red neuronal convolucional profunda Vggnet como columna vertebral para construir un modelo aproximado para predecir campos de flujo en estado estacionario en áreas urbanas. El método se entrena con una pequeña cantidad de datos de muestra y se puede extender para calcular el rendimiento del entorno del viento. Además, investigamos las diferencias entre los métodos de representación geométrica, como la representación de red booleana y la función de distancia firmada, así como diferentes modelos de estructura, como Vgg-CFD-11, Vgg-CFD-13, Vgg-CFD-16 y Vgg-CFD-19. Los resultados indican que el modelo se puede entrenar utilizando una pequeña cantidad de datos de muestra, y todos los modelos generalmente poseen la capacidad de predecir el entorno del viento. El mejor rendimiento en el conjunto de validación y en el conjunto de prueba se logró con un RMSE (Error Cuadrático Medio) de 0.7966 m/s y 2.2345 m/s, respectivamente, y un puntaje R-Cuadrado de 0.9776 y 0.8455. Finalmente, incorporamos el modelo de mejor rendimiento en una plataforma de análisis integral urbana amigable para arquitectos, URBAN NEURAL-CFD.