Como técnica popular, la fabricación aditiva (AM) ha obtenido una amplia utilización en varios dominios de la ingeniería. Dado que numerosos componentes metálicos de AM están expuestos a cargas de fatiga, es de gran importancia investigar la metodología de predicción de vida útil. Este estudio tiene como objetivo investigar el comportamiento de fatiga de alto ciclo (HCF) del AlSi10Mg de AM, teniendo en cuenta las influencias del tamaño de la pólvora y el daño por fatiga, y se presenta un enfoque novedoso basado en ML para la predicción de vida útil. Primero, se derivan el modelo constitutivo acoplado al daño y el modelo de daño por fatiga, y se emplea el método de Optimización por Enjambre de Partículas para la calibración de los parámetros del material de AlSi10Mg. En segundo lugar, se lleva a cabo la implementación numérica de los modelos teóricos mediante el desarrollo de una subrutina de material definida por el usuario. Las vidas de fatiga predichas del AlSi10Mg de AM con diferentes tamaños de pólvora caen dentro de la banda de error triple, lo que verifica el método numérico y los parámetros del material calibrados. Después de eso, se presenta el enfoque de aprendizaje automático para la predicción de vida HCF, y se emplean los modelos de Bosque Aleatorio (RF) y K-Vecinos Más Cercanos (KNN) para predecir las vidas de fatiga del AlSi10Mg de AM. El modelo RF logra un valor más pequeño y uno más grande en comparación con el modelo KNN, lo que significa su rendimiento superior en la predicción del comportamiento general del AlSi10Mg de AM. Bajo el mismo estrés máximo, una disminución en la relación de estrés de 0.5 a -1 conduce a una reducción en la vida de fatiga para ambos tamaños de pólvora. A medida que disminuye el tamaño de la pólvora, la tasa de evolución del daño se acelera, lo que lleva a una vida de fatiga más corta.