Este artículo presenta un modelo de aprendizaje automático basado en una red de operadores profundos (DeepONet) que predice la propagación de grietas utilizando datos de simulación de dinámica de partículas informada por leyes constitutivas (CPD). Específicamente, exploramos dos variantes del modelo, el DeepONet vainilla y el Fusion DeepONet, para predecir la propagación de grietas dependiente del tiempo en muestras con geometrías variables (p. ej., alturas de entalla variables y radios de orificios variables). Evaluamos el rendimiento del modelo estudiando tres casos representativos (p. ej., alturas de entalla variables y combinaciones de alturas de entalla y radios de orificios) y demostramos que Fusion DeepONet proporciona predicciones más precisas, particularmente en casos no destructivos. Si bien la precisión de la predicción es algo menor en casos de fractura, destacamos la generalización de Fusion DeepONet a fenómenos de propagación de grietas complejos, geométricamente diversos y variables en el tiempo.
