Impulsado por el efecto pistón del túnel, el flujo de aire no organizado (UVA) que atraviesa las puertas de la plataforma afecta significativamente la carga térmica de las estaciones de metro. La predicción precisa del UVA es un requisito clave para el diseño eficiente en energía de los sistemas de ventilación y aire acondicionado (HVAC). Se propone un marco de predicción inteligente que fusiona la dinámica de fluidos computacional (CFD) parametrizada y el aprendizaje profundo, basado en las ecuaciones de control del fluido incompresible y el modelo de turbulencia k-ε. Se llevó a cabo una simulación numérica transitoria bidimensional utilizando ANSYS Fluent y los resultados de la simulación se utilizaron como conjunto de datos para entrenar el modelo. Se introduce un nuevo parámetro adimensional, la razón de distancia relativa (RDR), para caracterizar el efecto acoplado entre la longitud del tren y el espaciamiento del pozo de aire pistón; las condiciones de simulación cubren diferentes relaciones de obstrucción, RDR y 4 estados operativos del pozo de aire pistón, y los resultados de la simulación fueron validados con mediciones en campo (RMSE de 0.062 m/s, MAPE promedio de 34.8%, coeficiente de determinación R²=0.939). Sobre esta base se construyó un modelo condicional de codificación y decodificación para lograr la predicción de la secuencia temporal completa de la velocidad del viento UVA a partir de parámetros de diseño estáticos. El modelo mostró un excelente rendimiento de generalización, logrando alta precisión para 4 condiciones no entrenadas (R²>0.94, MAPE<22%) y pudo capturar eficazmente los picos transitorios de velocidad del viento durante el proceso de funcionamiento del tren.

estación de metro; flujo de aire no organizado; efecto pistón; simulación CFD; aprendizaje profundo; modelo codificador-decodificador