O objetivo deste trabalho é comparar diferentes modelos numéricos já utilizados na literatura e desenvolver uma nova aplicação para prever o gradiente térmico gerado pela soldagem GMAW em uma junta tipo "T", conciliando as potencialidades de cada modelo. Essa abordagem mais completa visa melhorar o tempo computacional de processamento do modelo além de trazer resultados mais acurados da zona fundida (ZF) e zona termicamente afetadas (ZTA). Os modelos numéricos foram criados utilizando o método dos elementos finitos (MEF), onde o primeiro representa a soldagem por meio de um fluxo de calor volumétrico, apresentado neste estudo como o duplo elipsoide de Goldak. A geometria e a intensidade do fluxo foram implementadas no software Abaqus por meio da sub-rotina DFLUX. Para o segundo modelo, utilizou-se o método de desativação ou ativação de elementos com temperaturas prescritas. Por fim, o novo modelo é criado unindo as potencialidades dos anteriores. Além disso, para o novo modelo proposto é realizada uma comparação entre diferentes pontos de início para o fluxo de calor volumétrico, mostrando que há significativo impacto no gradiente de temperaturas e tempo de processamento. Os resultados indicam que o novo modelo proposto tem uma melhor concordância entre a distribuição de temperaturas ao longo da chapa e formato da zona fundida, além de uma melhora no tempo de processamento. Além disso, é desenvolvida uma rede neural artificial (RNA) para prever os parâmetros geométricos do cordão de solda, com intuito de reduzir testes experimentais prévios para identificar dimensões da fonte de calor. A RNA é treinada usando 34 dados experimentais prévios, sendo os dados de entrada os parâmetros de processo: velocidade de alimentação do arame, tensão, corrente e velocidade de soldagem. Os dados de saída considerados são os parâmetros geométricos do cordão de solda: perna horizontal e penetração. A RNA utiliza o algoritmo de retro propagação de gradiente conjugado escalado. Os demais parâmetros do cordão de solda são determinados trigonometricamente através dos valores previstos pela RNA. Os resultados demonstram que a rede neural é capaz de prever a geometria do cordão de solda dentro de uma faixa específica de parâmetros de entrada, com um erro médio de 10.74%.