La prédiction de phénomènes d’initiation et de propagation de fissures lorsqu’une grande variété de conditions de chargements doit être considérée est une tâche chronophage à cause du coût de calcul élevé de ces simulations. Celles-ci requièrent en effet des discrétisations spatiales et temporelles relativement fines. Pour une géométrie donnée, toutefois, il y a une certaine redondance dans ces campagnes de simulation. Cette redondance partielle est exploitée dans ce travail afin de réduire les temps de calcul. Une base de données de résultats de simulation est d’abord générée avec la méthode des éléments finis pour certaines conditions de chargement. Un réseau de neurones profond composé d’un autoencodeur pour la compression et d’un réseau de neurones récurrent pour la prédiction est ensuite entrainé sur cette base de données. Pour de nouvelles conditions de chargement, les prédictions sont calculées rapidement avec ce modèle d’ordre réduit basé sur l’apprentissage profond. A travers des exemples impliquant des chemins d’initiation et de propagation de fissures complexes, il est démontré que la méthode proposée est à la fois précise et efficace.