DeepJEB

DeepJEB数据集是由韩国高级科学技术研究院创建，专注于3D深度学习基础的合成喷气发动机支架数据。该数据集包含2138个高分辨率的3D设计，以及相应的结构模拟结果，是之前最大公开数据集SimJEB的5.6倍。DeepJEB不仅提供了详细的结构分析数据，还引入了新的工程性能指标，如自然频率和模式形状，以评估动态性能。此外，数据集还包括多视角图像，支持多视角模型，适用于图神经网络和卷积网络等高级建模技术。DeepJEB旨在通过提供高质量、多样化的数据，推动工程设计领域的创新，特别是在结构性能预测方面。

The DeepJEB dataset was created by the Korea Advanced Institute of Science and Technology (KAIST), focusing on synthetic jet engine bracket data for 3D deep learning fundamentals. It contains 2138 high-resolution 3D designs and corresponding structural simulation results, which is 5.6 times the size of the previously largest public dataset, SimJEB. In addition to providing detailed structural analysis data, DeepJEB introduces new engineering performance metrics such as natural frequency and mode shape for evaluating dynamic performance. Furthermore, the dataset includes multi-view images to enable multi-view modeling, and is compatible with advanced modeling techniques including graph neural networks and convolutional neural networks. DeepJEB aims to drive innovation in the field of engineering design, particularly in the area of structural performance prediction, by providing high-quality and diverse datasets.

搜集汇总

数据集介绍

构建方式

在机械工程领域，高质量三维结构分析数据集的稀缺性长期制约着数据驱动模型的发展。DeepJEB数据集通过深度生成模型与自动化工程仿真流程的创新性整合，有效解决了这一瓶颈。其构建始于对基准数据集SimJEB的几何筛选，采用边界对齐误差评估与几何稳定性分析，精选出263个高质量种子样本。随后，研究团队运用隐式神经表示方法，通过自解码器架构在潜在空间中学习复杂几何特征，生成4833个合成支架设计。为确保数据实用性，采用最小雅可比行列式指标进行网格质量过滤，并结合自动化有限元仿真流水线，对筛选后的2737个几何体执行线性静态载荷与自由模态分析，最终通过统计验证与异常值剔除，形成包含2138个样本的高保真数据集。

特点

DeepJEB数据集在结构与内容上展现出多重显著优势。其规模达到2138个三维几何样本，较基准数据集扩展约5.6倍，并采用二阶四面体单元进行有限元仿真，平均每个样本包含约209,000个节点数据，显著提升了仿真精度与细节丰富度。数据集不仅涵盖水平、垂直、对角与扭转四种线性静态载荷工况，还创新性地引入了自然频率、模态振型等动态性能指标，以及带符号的冯·米塞斯应力数据，可明确区分拉压应力状态。此外，数据集提供边界表示文件、体网格、多视角图像等26种视角渲染数据，以及专为图神经网络与高维卷积网络设计的节点级场数据H5格式文件，为多样化建模方法提供了完备支持。

使用方法

DeepJEB数据集为结构工程领域的代理模型开发与验证提供了系统化研究平台。使用者可通过公开访问链接获取包含几何、仿真结果、多视角图像及元数据的标准化文件集。数据集已预分割训练集与测试集，测试集采用潜在空间与性能空间双重均匀采样策略，确保评估的全面性与公正性。在具体应用中，研究人员可利用体网格与场数据组合的H5文件，直接构建基于图神经网络的节点级性能预测模型；亦可借助多视角图像数据开发视觉驱动的三维形状分析算法。案例研究表明，基于该数据集训练的代理模型在位移与频率预测中R²分数显著提升，其提供的详细场数据尤其适用于高精度应力分布预测与拓扑优化研究。

背景与挑战

背景概述

随着人工智能技术在机械工程领域的深度融合，高质量、多样化的结构分析数据集成为推动数据驱动代理模型发展的关键。DeepJEB数据集由韩国Narnia Labs与韩国科学技术院的研究团队于2024年联合创建，旨在解决传统数据集如SimJEB在样本规模有限、几何多样性不足等方面的瓶颈。该数据集通过深度生成模型与自动化工程仿真流程，生成了2138个喷气发动机支架的三维几何模型及其对应的结构分析数据，涵盖线性静态载荷、模态分析等多类工程性能指标。DeepJEB不仅显著拓展了设计空间，还为图神经网络和高维卷积网络等先进建模技术提供了节点级场数据支撑，对结构工程中的代理模型开发与性能预测研究产生了深远影响。

当前挑战

DeepJEB数据集致力于解决结构工程中复杂几何体的性能预测问题，其核心挑战在于传统数据驱动的代理模型难以处理高维、非线性的场数据分布，且有限样本量制约了模型的泛化能力。在构建过程中，研究团队面临多重挑战：一是基于隐式神经表示生成三维几何时，需在有限种子数据下构建具有丰富多样性的潜在空间；二是自动化仿真流程中，合成几何的边界条件对齐、网格质量过滤以及异常值剔除等环节对数据可靠性提出了严格要求；三是为确保数据集作为基准的适用性，需在潜在空间与性能空间中进行均匀采样，以覆盖广泛的设计与性能变体，这增加了数据验证与整理的复杂性。

常用场景

经典使用场景

在机械工程与结构分析领域，数据驱动的代理模型开发长期受限于高质量三维几何与仿真数据的稀缺。DeepJEB数据集通过集成深度生成模型与自动化工程仿真流程，构建了大规模、高精度的喷气发动机支架三维设计库及其对应的结构性能数据。该数据集最经典的应用场景在于为基于图神经网络和高维卷积网络的代理模型提供训练与验证基准，支持从几何特征到节点级场数据（如位移、应力）的精确映射与预测，极大地推动了数据驱动结构分析与优化设计方法的发展。

解决学术问题

DeepJEB数据集有效解决了传统工程数据集样本量有限、设计空间狭窄、缺乏详细场数据标注等核心学术问题。通过生成约2138个高质量三维支架设计及其对应的线性静态载荷、模态分析结果，该数据集显著扩展了设计空间的多样性与密度，并提供了基于二阶四面体单元的精确仿真数据。其意义在于为结构工程中的代理模型研究提供了可靠的基准，提升了模型在预测精度、泛化能力及不确定性量化方面的性能，从而克服了传统数据驱动方法在复杂几何与高维场预测中的瓶颈，促进了人工智能与机械工程领域的深度融合。

衍生相关工作

DeepJEB数据集的发布催生了一系列围绕三维工程数据生成与代理模型优化的衍生研究。基于其丰富的几何与场数据，学者们发展了多种深度学习方法，如结合符号距离函数的隐式神经表示模型、用于形状多样性评估的β-变分自编码器，以及基于深度集成方法的不确定性量化框架。这些工作进一步拓展了数据在拓扑优化、多物理场仿真及动态性能预测中的应用。同时，DeepJEB也为类似工程数据集（如FRAMED、Ship-D）的构建提供了方法论参考，推动了合成数据在机械工程领域的标准化与规模化发展。