El modelado de acuíferos porosos superficiales en escenarios donde las condiciones de contorno cambian con el tiempo puede ser una tarea difícil. En particular, esto es cierto cuando se persigue el modelado de datos, es decir, los modelos se construyen directamente a partir de datos medidos. De hecho, los datos contienen no solo la información relacionada con el fenómeno físico bajo investigación, sino también los efectos de las condiciones de contorno que varían en el tiempo, que actúan como una perturbación. Este componente no deseado condiciona el entrenamiento de modelos impulsados por datos, ya que se ajustan a modelos que pueden producir predicciones que divergen de los datos medidos. Aquí, se modela un acuífero poroso muy superficial en términos de su respuesta del nivel freático a la precipitación. El acuífero se caracteriza por la presencia de una capa superior de limo de baja permeabilidad que cubre las capas arenosas inferiores, donde normalmente fluye el acuífero. Por lo tanto, cuando el nivel piezométrico aumenta hasta la capa de baja permeabilidad, el acuífero cambia su comportamiento de freático a confinado. Esto determina la condición de contorno cambiante, que hace que la respuesta del acuífero a las precipitaciones de lluvia sea compleja, ya que está relacionada con una condición doble: confinado o freático. El acuífero aquí se investiga mediante dos enfoques de aprendizaje automático, el primero basado en un modelado evolutivo y el segundo en redes neuronales artificiales. El modelado evolutivo devolvió ecuaciones explícitas con una eficiencia de ajuste de hasta 0.8 para predicciones de 1 mes y 0.48 para simulaciones, mientras que las redes neuronales alcanzaron 0.85 y 0.28, respectivamente. El objetivo de este estudio es obtener un modelo explícito de la respuesta de las alturas piezométricas del acuífero a las precipitaciones, que es útil para planificar el uso de los recursos hídricos subterráneos.