Rodrigues, José Alberto de SousaBordas, Stéphane P. A.Vieira, Beatriz Susana2026-02-262026-02-262025-11-19http://hdl.handle.net/10400.21/22680Abstract Finite Element Method (FEM) simulations provide reliable displacement, strain and stress fields, but they become costly when many geometry–load combinations must be tested. In several practical scenarios the input is an image that leads to non-rectangular, unstructured meshes, which is not ideal for strictly grid-based models. This dissertation investigates deep learning surrogates trained on FEM solutions that can deliver the mechanical response much faster. We propose a complete processing pipeline that starts from image segmentation, builds both structured and unstructured meshes, and trains two distinct models on top of them. The first one is a grid U-Net, designed for rectangular domains. The second one is MAgNET, which operates directly on the mesh and preserves the original discretization at the boundaries and at the loaded regions. Both models are trained and evaluated with exactly the same dataset, training schedule and metrics, including tests with loads above the training range and measurements of training and inference time, which enables a fair comparison between the two approaches. Results show that both surrogates reproduce displacement accurately, and that the largest strain and stress errors remain confined to the loaded boundary and to high-gradient areas. The grid U-Net is faster and very competitive on regular meshes, while MAgNET is the better option when the geometry comes from images and the mesh is unstructured.A análise de deslocamentos, deformações e tensões com o Método dos Elementos Finitos (FEM) é fiável, mas torna-se lenta quando é preciso testar muitas combinações de geometria e carregamento. Em vários contextos a informação inicial chega sob a forma de imagem e dá origem a malhas que não são retangulares, o que dificulta o uso de modelos que trabalham apenas em grelha. Este trabalho estuda modelos substitutos baseados em aprendizagem profunda que usam soluções FEM como referência e que permitem obter o campo mecânico de forma muito mais rápida. Apresenta-se uma cadeia de processamento completa que parte da segmentação da imagem, constrói malhas estruturadas e não estruturadas e, sobre elas, treina dois modelos distintos. O primeiro é o modelo U-Net em grelha, pensada para domínios retangulares. O segundo é o modelo MAgNET, que opera diretamente na malha e preserva a discretização original nas fronteiras e nas zonas onde a força é aplicada. Ambos os modelos são treinados e avaliados exatamente com o mesmo conjunto de dados, o mesmo plano de treino e as mesmas métricas, incluindo análises com forças acima do intervalo usado no treino e medições do tempo de treino e de inferência, o que permite uma comparação justa entre as abordagens. Os resultados mostram que os dois modelos reproduzem bem o deslocamento e que os maiores erros de deformação e tensão aparecem junto ao carregamento e nas zonas de maior gradiente. O modelo U-Net é mais rápida e muito competitiva em malhas regulares; o modelo MAgNET é preferível quando a geometria vem de imagem e a malha não é regular.engU-NetSegmentationImage processingMAgNETFinite element methodSegmentaçãoProcessamento de imagemMétodo dos elementos finitosmaster thesis204220521