Este estudio presenta un enfoque novedoso para utilizar un modelo de unidad recurrente con compuerta (GRU), una red neuronal profunda, para predecir flujos turbulentos en un marco lagrangiano. El campo de velocidad emergente se predice en función de datos experimentales de un flujo turbulento deformado, que inicialmente era un flujo turbulento isotrópico casi homogéneo en el área de medición. El flujo turbulento distorsionado tiene un número de Reynolds de microscale de Taylor en el rango de 100 < Re < 152 antes de crear la deformación y se deforma con una tasa de deformación media de 4 s-1 en la dirección Y. La medición se realiza en presencia de gravedad como consecuencia de la condición real, un efecto que generalmente se descuida y no ha sido investigado en la mayoría de los estudios numéricos. Se utiliza una técnica de seguimiento de partículas lagrangianas para extraer las caracterizaciones del flujo. Se utiliza para evaluar la capacidad del modelo GRU para prever el patrón de flujo turbulento desconocido afectado por la distorsión y la gravedad utilizando datos de entrada espaciotemporales. Utilizar la ubicación de la trayectoria del flujo (espacial) y el tiempo (temporal) resalta la superioridad del modelo. El enfoque propuesto ofrece la posibilidad de predecir el patrón emergente de las propiedades del flujo turbulento deformado observadas en muchos fenómenos naturales y artificiales. Para optimizar el consumo computacional, se utiliza la optimización de hiperparámetros (HPO) para mejorar el rendimiento del modelo GRU en un 14-20%. El entrenamiento del modelo y la inferencia se realizan en los sistemas de computación de alto rendimiento (HPC) JUWELS-BOOSTER y DEEP-DAM en el Centro de Supercomputación de Jülich, y se mide la aceleración del código en estas máquinas. El modelo propuesto produce predicciones precisas para flujos turbulentos en la vista lagrangiana con un error absoluto medio (MAE) de 0.001 y un puntaje R2 de 0.993.