La turbulencia en fluidos ha sido un tema de investigación popular durante muchos años debido a su influencia en una amplia gama de aplicaciones. Las herramientas de Dinámica de Fluidos Computacional (CFD) pueden proporcionar mucha información sobre este fenómeno, pero su costo computacional a menudo hace que el uso de estas herramientas sea poco factible. Por esa razón, en los últimos años, la modelización de la turbulencia utilizando Redes Neuronales Artificiales (ANNs) está ganando cada vez más popularidad. Estas redes suelen calcular directamente la magnitud deseada, teniendo información de entrada sobre el dominio computacional. En este documento, se propone una Red Neuronal Convolucional (CNN) para predecir diferentes magnitudes de flujos turbulentos alrededor de diferentes geometrías mediante la aproximación de las ecuaciones del modelo de turbulencia de dos capas realizable basado en Reynolds-Averaged Navier-Stokes (RANS). Utilizando esa CNN, se proponen estructuras de red alternativas para predecir los campos de velocidad de un flujo turbulento alrededor de diferentes geometrías en un canal rectangular, con una etapa preliminar para predecir los campos de presión y vorticidad antes de calcular los campos de velocidad, y los resultados obtenidos se comparan con los obtenidos con la estructura básica. Los resultados demuestran que las estructuras propuestas superan claramente a la básica, especialmente cuando el flujo se vuelve incierto. Además, considerando los resultados, se propone la mejor configuración de red. Esa red se prueba con un dominio con múltiples geometrías y un dominio con un estrechamiento del canal, que son dominios con condiciones diferentes a las de entrenamiento, mostrando predicciones bastante precisas.