La simulación de flujos de fluidos en diferentes escenarios virtuales es de clave importancia en aplicaciones de ingeniería. Sin embargo, los modelos de alta fidelidad y de orden completo que dependen, por ejemplo, del método de elementos finitos, son inasequibles siempre que los flujos de fluidos deban ser simulados en casi tiempo real. Los modelos de orden reducido (ROMs) que dependen, por ejemplo, de la descomposición ortogonal adecuada (POD) proporcionan aproximaciones fiables a problemas de dinámica de fluidos dependientes de parámetros en tiempos rápidos. Sin embargo, pueden requerir costosas estrategias de hiperreducción para manejar términos no lineales parametrizados, y espacios reducidos enriquecidos (o proyecciones de Petrov-Galerkin) si se considera una formulación mixta de velocidad-presión, lo que podría obstaculizar la evaluación de soluciones fiables en tiempo real. Tratar con interacciones fluido-estructura implica dificultades aún mayores. Los ROMs basados en aprendizaje profundo (DL) propuestos superan todas estas limitaciones al aprender, de manera no intrusiva, tanto la variedad de prueba no lineal como la dinámica reducida. Para ello, se basan en redes neuronales profundas, después de realizar una reducción de dimensionalidad previa a través de POD, mejorando sustancialmente sus tiempos de entrenamiento. Los POD-DL-ROMs resultantes han demostrado proporcionar resultados precisos en casi tiempo real para el flujo alrededor de un cilindro de referencia, la interacción fluido-estructura entre una viga elástica unida a un bloque rígido fijo y un flujo laminar incompresible, y el flujo sanguíneo en un aneurisma cerebral.