Aquí se presenta una investigación comparativa de modelos basados en datos, modelos basados en física y modelos híbridos para la predicción de la vida útil por fatiga de uniones adhesivas estructurales en términos de complejidad de implementación, sensibilidad al tamaño de los datos y precisión de predicción. Se construyeron cuatro modelos basados en datos (DDM) utilizando árboles extremadamente aleatorizados (ERT), aumento de gradiente extremo (XGB), LightGBM (LGBM) y aumento de gradiente basado en histogramas (HGB). El modelo basado en física (PBM) se basa en el enfoque del plano crítico de Findley. Se desarrollaron dos modelos híbridos (HM) combinando enfoques basados en datos y basados en física obtenidos de tensiones invariantes (HM-I) y la tensión de Findley (HM-F). Se empleó un conjunto de datos de fatiga de 979 puntos de datos de cuatro adhesivos estructurales. Para evaluar la sensibilidad al tamaño de los datos, el conjunto de datos se dividió en tres proporciones de entrenamiento/prueba, a saber, 70%/30%, 50%/50% y 30%/70%. Los resultados revelaron que los DDM son más precisos, pero más sensibles al tamaño del conjunto de datos en comparación con el PBM. Entre los diferentes regresores, el LGBM presentó el mejor rendimiento en términos de precisión y poder de generalización. Los HM aumentaron la precisión de las predicciones, mientras que redujeron la sensibilidad al tamaño de los datos. El HM-I demostró que se pueden utilizar conjuntos de datos de diferentes fuentes para mejorar las predicciones (especialmente con conjuntos de datos pequeños). Finalmente, el HM-I mostró la mayor precisión con una sensibilidad mejorada al tamaño de los datos.