Este artículo se centra en el modelado sustituto para la inferencia rápida de problemas no lineales de valor límite en ingeniería mecánica, especialmente en aplicaciones que implican el contacto de cuerpos deformables. Los métodos existentes se limitan al contacto rígido o al contacto entre cuerpos rígidos y blandos con superficies de contacto bien definidas, y presentan limitaciones en el uso de filtros de detección de contacto o colisión que solo utilizan condiciones necesarias en lugar de condiciones suficientes. En este estudio, presentamos una arquitectura de red neuronal de grafos que utiliza detección continua de colisiones e incorpora por primera vez condiciones suficientes diseñadas para el contacto entre cuerpos deformables y blandos. Probamos su rendimiento en dos problemas de referencia, como la predicción del estado de cierre de una válvula aórtica biomédica, y verificamos el efecto de regularización que mejora el rendimiento de la generalización al añadir un término de contacto adicional a la función de pérdida. Si bien demuestra que puede manejar diversas geometrías de referencia, presenta un alto coste computacional durante el entrenamiento, lo que se compensa con la aceleración de la inferencia. Analizamos cuantitativamente el coste de entrenamiento y la aceleración de la inferencia en diversas arquitecturas de hardware, y logramos una aceleración de hasta 1000 veces en problemas de referencia.
