SHIP-D

SHIP-D数据集是由麻省理工学院机械工程系创建的一个大型船体设计优化数据集，包含30,000个船体设计，每个设计都附带了详细的设计和功能性能信息。数据集涵盖了多种船体形状和尺寸，支持人类和计算机的输入，适用于机器学习在船体设计中的应用。数据集的创建旨在解决当前缺乏公开可用船体设计数据集的问题，通过机器学习工具学习不同类型船体的设计权衡，优化船体设计过程。此外，数据集还包括了12个从公开CAD库中提取的船体，用于展示参数化方法重建现有船体的能力。

The SHIP-D dataset is a large-scale hull design optimization dataset created by the Department of Mechanical Engineering at the Massachusetts Institute of Technology. It contains 30,000 hull designs, each accompanied by detailed design specifications and functional performance data. The dataset covers a diverse range of hull shapes and sizes, supports inputs from both humans and computers, and is suitable for machine learning applications in hull form design. The dataset was developed to address the current shortage of publicly available hull design datasets, enabling the learning of design trade-offs for various hull types via machine learning tools and optimizing the hull design workflow. Additionally, the dataset includes 12 hulls extracted from public CAD libraries, which are used to demonstrate the capability of parametric methods to reconstruct existing hull forms.

搜集汇总

数据集介绍

构建方式

在船舶设计领域，数据驱动的机器学习方法正逐步革新传统设计流程。SHIP-D数据集的构建依托于一种新颖的45参数船体参数化方法，该方法通过代数方程定义船体表面，能够涵盖从大型货轮到小型游艇的广泛几何特征。数据集包含30,000个船体，通过均匀随机采样参数空间生成，并利用49个代数约束确保每个船体几何的水密性和非自交性。为增强现实代表性，数据集成三个子集：全特征船体、无球鼻艏船体以及偏向大型船舶特征的船体，以此平衡设计空间的全面覆盖与真实船体特征的偏向性。

特点

SHIP-D数据集的核心特点在于其多模态与高维度的信息集成。每个船体样本均包含参数化向量、网格模型、点云、多视角图像以及32种不同航速与吃水条件下的水动力阻力系数。数据集规模远超现有公开船体数据集，其参数化方法兼具人类设计直觉与计算机处理能力，能够精确重建12类现实船体，平均Chamfer距离误差低于船体长度的0.51%。此外，数据集通过米歇尔积分计算波浪阻力，并结合ITTC经验公式估算粘性阻力，确保了阻力数据的理论合理性与计算效率的平衡。

使用方法

该数据集为船舶水动力优化与机器学习研究提供了坚实基础。研究者可利用其训练代理模型，如残差神经网络，以极快的速度预测船体阻力，进而应用于遗传算法等优化框架中，实现船体减阻设计。数据集中包含的多元表示形式支持从参数生成、几何重建到性能预测的全流程研究。例如，通过固定船体平行舯体形状并优化艏艉部参数，可在保持结构特征的同时显著降低阻力。数据集公开于GitHub平台，附有完整代码与文档，便于学术界与工业界进行数据驱动的船型创新与性能验证。

背景与挑战

背景概述

船舶设计领域长期面临设计周期漫长、小批量生产的挑战，机器学习技术的兴起为缩短复杂产品设计周期提供了新的可能。在此背景下，麻省理工学院机械工程系的研究人员于2023年发布了SHIP-D数据集，旨在填补船舶设计领域公开数据集的空白。该数据集的核心研究问题是如何构建一个全面、多模态的船体几何与性能数据库，以支持数据驱动的通用船舶设计优化。通过收录三万种船体的参数化表示、网格模型、点云、图像以及三十二种不同工况下的水动力阻力数据，SHIP-D为机器学习在船舶设计中的应用奠定了坚实基础，显著推动了船舶水动力学与智能化设计交叉领域的研究进程。

当前挑战

SHIP-D数据集致力于解决船舶水动力优化这一核心领域问题，其核心挑战在于如何准确预测并最小化船体在多种航速与吃水条件下的总阻力，同时平衡几何可行性与工程实用性。在构建过程中，研究团队面临多重挑战：首先，需要开发一种能够涵盖从大型货轮到小型游艇等多样传统船体几何特征的参数化表示方法，该表示需同时兼容人工输入与计算机生成，并确保足够的表达能力与合理的维度；其次，生成大规模可行船体样本时，需建立高效的代数约束体系以验证船体水密性与无自交性，替代计算昂贵的网格生成检查；此外，数据集需集成高保真的水动力性能数据，在计算精度与效率间取得平衡，选用Michell积分等势流求解器进行波阻计算，并结合ITTC经验公式估算粘性阻力，以支撑后续代理模型的训练与优化应用。

常用场景

经典使用场景

在船舶工程领域，SHIP-D数据集为机器学习驱动的船体设计优化提供了关键支持。该数据集通过包含30,000个船体的参数化表示、网格、点云、图像及32种不同工况下的水动力阻力测量，为研究人员构建了全面的设计-性能映射关系。其经典应用场景在于训练残差神经网络等代理模型，以预测船体在多种速度和吃水条件下的波浪阻力系数，从而替代传统耗时的计算流体动力学模拟，显著加速船体水动力性能的评估与优化过程。

衍生相关工作

SHIP-D数据集的发布催生了一系列基于数据驱动的船舶设计研究。经典衍生工作包括利用其多模态数据（参数、网格、图像）开发更精确的船体生成对抗网络（GAN）以创造新颖设计，以及结合图神经网络处理船体拓扑结构。此外，研究者在数据集基础上拓展了多保真度建模方法，融合低成本线性势流求解器与高精度CFD模拟，以平衡预测精度与计算开销。该数据集也常被用作基准，验证新的参数化表示方法或几何特征提取算法在重建真实船体时的能力，推动了船舶设计表示学习领域的进步。

数据集最近研究

最新研究方向

在船舶设计领域，SHIP-D数据集的推出标志着数据驱动方法在船体优化中的前沿应用。该数据集通过包含30,000个船体的参数化、网格、点云及图像表示，以及32种不同工况下的水动力阻力数据，为机器学习模型提供了丰富的训练资源。当前研究聚焦于利用残差神经网络构建代理模型，以预测船体阻力系数，并结合遗传算法实现船体形状的优化设计，案例中成功将总阻力降低60%。这一进展不仅加速了船舶设计周期，还推动了绿色航运技术的发展，通过减少燃料消耗和排放，对海事工程的可持续发展具有深远影响。

相关研究论文

• Ship-D: Ship Hull Dataset for Design Optimization using Machine Learning

  麻省理工学院机械工程系 · 2023年