Proponemos un método para reconocer objetos fragmentados con el fin de modelar el desgarramiento detallado de objetos elásticos como órganos humanos. Los métodos tradicionales requieren GPUs de alto rendimiento para cálculos en tiempo real con el fin de simular con precisión la fragmentación detallada de objetos que se deforman rápidamente o crear fragmentos aleatorios para mejorar los efectos visuales con una mínima computación. El método propuesto utiliza una red neuronal profunda (DNN) para producir resultados físicamente precisos sin necesidad de GPUs de alto rendimiento. Se utilizaron datos de simulación del método de puntos de material parametrizado físicamente (MPM) para aprender fragmentos detallados a pequeña escala. El proceso de desgarramiento se segmenta y se aprende en base a diversos datos de entrenamiento de diferentes espacios y fuerzas externas. El algoritmo de inferencia clasifica los fragmentos a partir de los datos de entrenamiento y modifica el gradiente de deformación utilizando un modificador. Se realizó un experimento para comparar el método propuesto y el MPM tradicional en el mismo entorno. Como resultado, se confirmó que la fidelidad visual para el desgarramiento de objetos elásticos ha mejorado. Esto respalda la simulación de varios tipos de incisiones en una cirugía virtual.