Cet article présente un solveur basé sur un réseau neuronal (NN) pour les équations intégrales-différentielles modélisant la fracture induite par retrait. La méthode proposée réduit considérablement les coûts de calcul en mappant directement les paramètres d'entrée aux fonctions de densité de probabilité correspondantes, plutôt qu'en résolvant numériquement les équations déterminantes. Plus précisément, elle permet une évaluation efficace de la fonction de densité dans les simulations de Monte-Carlo tout en maintenant, voire en dépassant, la précision des techniques conventionnelles aux différences finies. La validation sur données synthétiques démontre à la fois l'efficacité de calcul et la fiabilité prédictive de la méthode. Cette étude établit les bases de l'analyse inverse de la fracture pilotée par les données et suggère le potentiel d'extension du cadre au-delà des structures de modèles prédéfinies.
