SimJEB: Simulated Jet Engine Bracket Dataset

SimJEB数据集是由麻省理工学院创建的，包含381个手工设计的结构工程CAD模型，这些模型来源于GrabCAD网站上的GE喷气发动机支架挑战赛。每个模型都经过清理、网格化和模拟，以符合原始竞赛的结构载荷情况。数据集中的模型被分为六个设计类别，旨在评估工程代理模型和几何处理任务。SimJEB数据集的应用领域包括结构工程、机械工程和生物医学工程，旨在解决复杂形状的自动清理和网格化问题。

The SimJEB dataset was created by the Massachusetts Institute of Technology (MIT). It contains 381 manually designed structural engineering CAD models sourced from the GE Jet Engine Bracket Challenge hosted on the GrabCAD website. Each model has been cleaned, meshed, and simulated to conform to the structural loading specifications of the original competition. The models in this dataset are categorized into six design categories, which are designed to evaluate engineering surrogate models and geometric processing tasks. The SimJEB dataset has applications in structural engineering, mechanical engineering, and biomedical engineering, and aims to address the challenges of automatic cleaning and meshing for complex geometries.

搜集汇总

数据集介绍

构建方式

在工程设计与几何深度学习的交叉领域，SimJEB数据集的构建体现了对高质量、功能性三维模型的迫切需求。该数据集源自GE喷气发动机支架设计竞赛，通过半自动化流程对原始CAD模型进行筛选与清洗。首先从竞赛提交的635个文件中，依据文件格式优先级和设计变体识别，筛选出有效模型；随后进行几何清洁，确保每个模型为单一封闭体积，并通过手动修复处理非水密表面。清洁后的模型经统一缩放与定向，采用商业有限元软件进行网格划分与结构仿真，施加竞赛规定的四种载荷条件，最终生成包含381个模型的标准化数据集，每个模型均附有高质量的四面体网格与仿真结果。

特点

SimJEB数据集在结构工程与几何处理领域展现出独特优势。其模型均针对同一工程功能设计，具有一致的载荷与支撑条件，为代理模型评估提供了可靠基准。与合成生成的数据集相比，这些由全球工程师手工设计的支架形态更为复杂、多样且贴近实际工程场景，涵盖了块状、扁平、拱形、蝶形、梁状及其他六种设计类别。数据集不仅包含清洁的CAD文件与表面网格，还提供了高保真的有限元仿真结果，如位移场与冯·米塞斯应力场，支持从几何清洗到代理建模的多任务研究。模型间的拓扑差异与结构性能分布广泛，为探索形态与力学行为的关联提供了丰富样本。

使用方法

SimJEB数据集适用于几何深度学习与工程代理建模的多种研究场景。用户可通过哈佛Dataverse平台获取数据，其中包含清洁CAD、有限元模型、网格文件及仿真结果等独立压缩包，便于按需选用。数据集提供的类别标签与仿真标量场支持分类与回归任务，如预测结构响应或识别设计策略。为促进代理模型的标准化评估，数据集附带了三个预设的训练/测试划分及基准性能指标，研究者可基于此比较不同模型的预测精度。此外，原始未清洁CAD文件也可用于测试几何清洗算法，拓展数据集的工具性价值。在结构优化、生成设计等应用中，该数据集能作为验证现实世界工程组件性能的宝贵资源。

背景与挑战

背景概述

在工程设计与几何深度学习的交叉领域，高质量的数据集对于推动结构工程代理模型的发展至关重要。SimJEB（Simulated Jet Engine Bracket Dataset）由麻省理工学院的研究团队于2021年创建，旨在填补现有形状数据集在工程仿真应用中的空白。该数据集源自2013年GrabCAD举办的喷气发动机支架设计竞赛，包含了381个手工设计的CAD模型及其有限元结构仿真结果。每个模型均遵循相同的功能要求与载荷条件，为几何处理任务如自动清理、网格划分以及代理建模提供了统一基准。SimJEB的推出显著促进了工程代理模型的研究，使得基于深度学习的形状性能预测能够摆脱合成数据的局限，迈向更真实、多样化的实际工程场景。

当前挑战

SimJEB数据集致力于解决结构工程代理建模中的核心挑战，即如何从复杂三维形状中直接学习并预测其力学性能（如位移与应力场）。传统代理模型依赖参数化设计空间，而SimJEB通过提供真实手工设计模型，要求算法处理高度异构的几何拓扑与多样化的结构行为，这对模型的泛化能力提出了严峻考验。在构建过程中，研究团队面临多重困难：原始CAD模型质量参差不齐，需经过繁琐的半自动化清理与网格生成流程；确保仿真一致性亦颇具挑战，部分模型因网格质量缺陷导致仿真失败。此外，数据集的多样性虽提升了真实性，却增加了模型训练与评估的复杂度，要求基准方法能有效平衡形状变异与工程约束。

常用场景

经典使用场景

在几何深度学习和工程代理建模领域，SimJEB数据集以其独特的工程背景和高质量的结构仿真数据，成为评估三维形状处理方法的经典基准。该数据集汇集了381个手工设计的喷气发动机支架CAD模型，每个模型均经过清理、网格划分，并附有基于有限元分析的结构仿真结果，包括位移和冯·米塞斯应力场。这些模型均服务于相同的工程功能，具有一致的载荷和支撑条件，为研究者在代理模型训练、几何分类及回归任务中提供了高度一致且多样化的测试平台。其复杂性挑战了自动几何清理与网格生成算法，同时分类标签和仿真数据促进了有监督学习框架的发展。

实际应用

在实际工程应用中，SimJEB数据集为航空航天、机械及生物医学工程领域的结构设计提供了宝贵的参考资源。工程师可利用该数据集训练代理模型，快速预测新支架设计在多种载荷条件下的结构性能，从而减少对计算昂贵的有限元仿真的依赖。此外，数据集中的分类标签和仿真结果有助于自动化设计系统的开发，支持生成既轻量化又满足强度要求的创新几何形状。这些应用不仅缩短了产品开发周期，还促进了增材制造等先进制造技术中结构部件的优化设计。

衍生相关工作

SimJEB数据集已衍生出多项经典研究工作，主要集中在拓扑优化、几何深度学习及代理建模领域。例如，早期研究利用该数据集的几何和载荷条件测试拓扑优化方法，探索轻量化结构设计。在机器学习方面，学者们基于SimJEB训练体素化代理模型，以预测增材制造中的支撑材料需求和打印时间。此外，该数据集还被用于评估图网络在网格仿真中的应用，以及开发能够直接从CAD模型学习结构行为的深度生成模型。这些工作共同推动了工程设计与人工智能的交叉融合，为未来智能设计工具的发展奠定了坚实基础。