En los procesos de moldeo de compuestos líquidos (LCM), la calidad de las piezas resultantes está intrínsecamente relacionada con la efectividad de la etapa de infiltración, en la cual un polímero impregna una preforma de fibras gracias a la existencia de un gradiente de presión. Distorsiones durante el proceso, como la variación de la permeabilidad debido al desalineamiento o variaciones en el espesor de las fibras, conducen a la aparición de porosidad y/o cavidades vacías en la pieza, incrementando la necesidad de inspección, reparación y/o rechazo de las mismas. Con el objetivo de obtener una visión completa de la dinámica del polímero durante esta etapa, se emplean simulaciones numéricas como herramienta de simulación virtual. Sin embargo, estas demandan una alta carga computacional y un elevado tiempo de cálculo, dificultando su aplicación en tiempo real y su integración en gemelos digitales, esenciales para hacer el proceso de fabricación resistente e insensible a distorsiones. En el presente trabajo se exponen modelos subrogados que emplean Inteligencia Artificial, específicamente mediante técnicas de Deep Learning, utilizando una arquitectura encoder-decoder, como una aproximación rápida y poco costosa computacionalmente de la simulación virtual de la etapa de infiltración en un proceso LCM. Estos modelos son entrenados de manera supervisada a partir de un conjunto de datos sintético generado mediante la herramienta OpenFoam. Utilizando como información de entrada el mapa de permeabilidad, el tiempo de simulación y un parámetro relacionado con la presión de entrada, los modelos predicen el frente de flujo de resina y el campo de presión para varios instantes de tiempo durante la infiltración. Se evalúa su aplicación en casos de uso con diferentes disimilaridades en la permeabilidad (variación estocástica y canales de flujo rápido), condiciones de contorno (variación en la localización de los puertos de entrada y venteo) y geometrías (bidimensionales y tridimensionales). Los modelos subrogados propuestos muestran una reducción del tiempo de ejecución del orden de minutos a segundos, manteniendo una baja tasa de error en la inferencia.