La evolución continua de las aleaciones metálicas en la industria automotriz ha llevado al desarrollo de modelos constitutivos más avanzados y flexibles que intentan describir con precisión las diversas propiedades fundamentales y el comportamiento de estos materiales. Estos modelos se han vuelto cada vez más complejos, incorporando un mayor número de parámetros que requieren un procedimiento de calibración preciso para ajustar los parámetros constitutivos con datos experimentales. En este contexto, las metodologías de aprendizaje automático (ML) tienen el potencial de avanzar en la modelización constitutiva de materiales, mejorando la eficiencia del procedimiento de calibración de parámetros materiales. Las redes neuronales recurrentes (RNN) se destacan entre varios algoritmos de aprendizaje debido a su capacidad para procesar datos secuenciales y superar las limitaciones impuestas por las no linealidades y los múltiples parámetros involucrados en los modelos fenomenológicos. Este estudio explora las capacidades de modelización de las estructuras de memoria a largo y corto plazo (LSTM), un tipo de RNN, en la predicción del comportamiento de endurecimiento de un material de chapa metálica utilizando los resultados de una prueba experimental estandarizada de flexión en tres puntos, con el objetivo de extender esta metodología a otras pruebas experimentales y modelos constitutivos. Además, se realiza un análisis de variables para seleccionar las variables más importantes para esta prueba experimental y evaluar la influencia de la fricción, el grosor del material y las propiedades elásticas y plásticas en la precisión de las predicciones realizadas por las redes neuronales. Los datos requeridos para diseñar y entrenar las soluciones de la red se recopilan de simulaciones numéricas utilizando la metodología de elementos finitos (FEM), que posteriormente se validan mediante experimentos. Los resultados demuestran que el enfoque basado en LSTM propuesto supera a las técnicas de identificación tradicionales en la predicción de los parámetros de endurecimiento del material. Esto sugiere que el procedimiento desarrollado puede aplicarse de manera efectiva para caracterizar de manera eficiente diferentes materiales, especialmente aquellos utilizados extensamente en aplicaciones industriales, que van desde aceros suaves hasta aceros de alta resistencia avanzados.