Las redes neuronales informadas por física (PINNs) ofrecen un nuevo enfoque para resolver ecuaciones diferenciales parciales (PDEs), mientras que las propiedades de las leyes físicas acopladas presentan potencial en modelado de sustitución. Sin embargo, la precisión de las PINNs en la resolución de problemas directos necesita ser mejorada, y la resolución de problemas inversos depende de muestras de datos. El método de elementos finitos suavizados (S-FEM) puede obtener soluciones numéricas de alta fidelidad, que son fáciles de resolver para los problemas directos de PDEs, pero difíciles de resolver para los problemas inversos. Hasta donde saben los autores, no ha habido investigaciones previas sobre el acoplamiento de S-FEM y PINN. En este documento, se propone un enfoque novedoso que acopla S-FEM y PINN. El enfoque propuesto utiliza S-FEM para sintetizar conjuntos de datos de alta fidelidad requeridos para la inversión de PINN, al mismo tiempo que mejora la precisión de PINN independiente de datos en la resolución de problemas directos. El enfoque propuesto se aplica para resolver problemas directos e inversos elásticos lineales y elastoplásticos. Los resultados computacionales demuestran que el acoplamiento de S-FEM y PINN exhibe alta precisión y convergencia al resolver problemas inversos, logrando un error relativo máximo del 0.2% en elasticidad lineal y del 5.69% en inversión elastoplástica utilizando aproximadamente 10,000 puntos de datos. El enfoque de acoplamiento también mejora la precisión en la resolución de problemas directos, reduciendo los errores relativos aproximadamente de 2 a 10 veces. El acoplamiento propuesto de S-FEM y PINN ofrece un enfoque novedoso de modelado de sustitución que incorpora técnicas basadas en conocimiento y datos, lo que le permite resolver tanto problemas directos como inversos asociados con PDEs con altos niveles de precisión y convergencia.