En los últimos años, se han propuesto ideas innovadoras sobre modelado de turbulencia basado en datos por académicos de todo el mundo. Este artículo es una continuación de estos esfuerzos significativos, con el objetivo de ofrecer una mejor representación de la física de la turbulencia. Los trabajos anteriores se centran principalmente en la viscosidad de la turbulencia o el estrés de Reynolds, mientras que hay pocos trabajos sobre la transición de la turbulencia. En nuestro trabajo, se refactorizan dos funciones de mapeo entre parámetros de flujo promedio y la intermitencia de la transición, una cantidad física virtual que describe la cantidad de turbulencia en una posición dada, respectivamente, con redes neuronales y bosques aleatorios. Estas dos funciones se acoplan luego con el modelo de Spalart-Allmaras (SA) para reconstituir dos modelos para la predicción de la transición. Para demostrar que estos dos modelos acoplados proporcionan una mayor precisión en la predicción de la transición en comparación con los modelos SA anteriores, realizamos casos de prueba bajo un esquema no lineal compacto ponderado de orden superior (WCNS). Los resultados de predicción de ambos modelos acoplados mejoraron significativamente la captura de transiciones naturales que ocurren en los flujos. Además, las habilidades de generalización de interpolación y extrapolación de los modelos acoplados también se demuestran en este artículo. Los resultados enfatizan el potencial del aprendizaje automático como un complemento en el modelado de la transición de turbulencia.