El costo computacional y la demanda de memoria requeridos por las simulaciones de códigos de dinámica de fluidos computacional (CFD) pueden volverse muy altos. Por lo tanto, se ha estudiado la aplicación de redes neuronales convolucionales (CNN) en este campo debido a su capacidad para aprender patrones de conjuntos de datos de entrada, lo que puede aproximarse considerablemente a los resultados de las simulaciones de CFD con errores relativamente bajos. El código DeepCFD ha sido tomado como base y con algunas variaciones leves en los parámetros de la CNN, mientras que la red es capaz de resolver las ecuaciones de Navier-Stokes para flujos turbulentos estacionarios con velocidades de entrada variables al dominio. Con el fin de adquirir datos de entrada extensos para la CNN, se implementa una técnica de aumento de datos, que considera el principio de similitud para la dinámica de fluidos. Como consecuencia, DeepCFD es capaz de aprender las velocidades y campos de presión con bastante precisión, acelerando las simulaciones de CFD que consumen mucho tiempo.