WAAM ha surgido como una técnica prometedora para la fabricación de piezas metálicas de mediana y gran escala debido a su alta eficiencia de deposición de material y nivel de automatización. Sin embargo, su alta acumulación de calor y evolución térmica compleja afectan fuertemente las microestructuras y propiedades mecánicas resultantes. La naturaleza heterogénea e impredecible de estas propiedades obstaculiza la aplicación generalizada de WAAM en la industria de la construcción de acero. En este estudio, se desarrolla un modelo de dureza basado en una red neuronal artificial (ANN), basado en un modelo térmico-metalúrgico para acero dulce. El objetivo es establecer relaciones no lineales entre los parámetros de proceso de entrada y la salida deseada, es decir, la dureza. El modelo térmico-metalúrgico utiliza un modelo de fuente de calor bien distribuido, un algoritmo de muerte y nacimiento, y un modelo metalúrgico para simular el campo de temperatura y calcular la fracción de fase de la microestructura. Los errores de predicción de temperatura en cuatro posiciones de termopares están mayormente por debajo del 20%. Debido a los datos experimentales limitados, se realizan veinticinco experimentos de simulación utilizando el arreglo ortogonal L25 basado en el método de Taguchi. El análisis de varianza (ANOVA) revela que la velocidad de desplazamiento tiene el mayor impacto en la dureza. Con el conjunto de datos del modelo térmico-metalúrgico, se desarrolla un modelo ANN para predecir la dureza. Una comparación con los datos experimentales muestra un excelente rendimiento y precisión, con el Error Porcentual Absoluto Medio (MAPE) de las predicciones de la ANN dentro del 10% de la dureza objetivo.