Este documento presenta un método para aprender modelos del mundo para cargadoras de ruedas que realizan acciones de carga automática sobre un montón de tierra. Se aprendieron modelos basados en datos para predecir el estado resultante del montón, la masa cargada, el tiempo y el trabajo para un ciclo de carga único, dados insumos que incluyen un mapa de altura de la forma inicial del montón y parámetros de acción para un controlador automático de llenado de cubos. Así, se habilita la planificación a largo plazo de la carga secuencial en un entorno dinámicamente cambiante como inferencia de modelo repetida. Los modelos, que consisten en redes neuronales profundas, fueron entrenados con datos de una simulación de dinámica multibody en 3D de más de 10,000 acciones de carga aleatorias en montones de grava de diferentes formas. La precisión y el tiempo de inferencia para predecir el rendimiento de carga y el estado resultante del montón fueron, en promedio, del 95% en 1.2 ms y del 97% en 4.5 ms, respectivamente. Se encontró que las predicciones a largo plazo eran factibles en 40 acciones de carga secuenciales.