El aprendizaje automático se utiliza para desarrollar términos de cierre para un modelo de grano grueso de flujo turbulento bidimensional directamente a partir de los datos de grano grueso, asegurando que el flujo de grano grueso evolucione de la manera correcta, sin necesidad de la forma exacta de los filtros o una expresión explícita de los términos subrejilla. Los términos de cierre se calculan para coincidir con la evolución temporal del campo grueso y se relacionan con el flujo promedio utilizando una red neuronal con una estructura relativamente simple. El campo de flujo de grano grueso dependiente del tiempo se genera filtrando resultados completamente resueltos y la evolución del campo grueso predicha coincide bien con los resultados filtrados en términos del campo de vorticidad instantánea a corto plazo y cantidades estadísticas (espectro de energía, función de estructura y enstropía) a largo plazo, tanto para el flujo utilizado para aprender los términos de cierre como para flujos no utilizados para el aprendizaje. Este trabajo muestra el potencial de utilizar métodos basados en datos para predecir la evolución temporal de las grandes escalas, en una situación compleja donde los términos de cierre pueden no tener una expresión explícita y el campo completamente resuelto original no está disponible.