自2011年以来,漂浮的沙加苏姆海藻的木筏经常阻碍美洲内部海域的海岸。 筏子的运动是由高维非线性动力学系统表示的。 被称为eBOMB模型,它建立在Maxey-Riley方程的基础上,将形成木筏的沙加苏姆团与地球自转的影响之间的相互作用结合起来。 缺乏对木筏质量中心的预测法表明需要机器学习。 在本文中,我们评估和对比了长短期记忆(LSTM)复发神经网络(RNN)和非线性动力学的稀疏识别(SINDy)。 在这两种情况下,都采用物理启发的闭包建模方法,根植于eBOMB。 具体来说,LSTM模型从eBOMB变量集合中学习到木筏中心和海洋速度之间的差异的映射。 SINDy模型的候选函数库由eBOMB变量建议,并包含包含承载流的远场效应的窗口速度术语。 LSTM和SINDy模型在紧密粘合团块的条件下表现最有效,尽管精度下降,复杂性上升,例如风效应和评估松散连接的团块。 LSTM模型在设计简单时提供了最佳效果,神经元和隐藏层更少。 虽然LSTM模型是一个不透明的黑盒模型,缺乏可解释性,但SINDy模型通过函数库识别明确的功能关系来带来透明度。 窗口速度项的集成使非本地交互的有效建模成为可能,特别是在具有稀疏连接木筏的数据集中。