Ship-D: Ship Hull Dataset for Design Optimization Using Machine Learning

doi:10.1115/detc2023-117003

Ship-D: Ship Hull Dataset for Design Optimization Using Machine Learning

2023-11-21

0

OA

AI

DOI：10.1115/detc2023-117003

原文链接

原文求助

摘要

En 中文

摘要机器学习近期在减少复杂产品设计周期方面取得了显著进展。当前涉及多年周期和小批量生产的船舶设计可从中极大受益。通过开发一种从多种不同类型船舶设计中学习的机器学习工具，可以识别并优化船舶设计中的权衡问题。然而，公开可用船舶设计数据集的缺乏目前限制了在通用船舶设计中利用机器学习的潜力。为解决这一差距，本文提出一个包含30,000艘船体的大型数据集，每艘船体均包含设计及功能性能信息，包括参数化、网格、点云和图像表示，以及在不同工况下的32项水动力阻力测量值。该数据集结构化设计，既允许人工输入，也适用于计算方法。此外，本文引入了12艘来自公开CAD库的船体，以展示所提参数化方法对现有船体的准确重建能力。开发了一个代理模型以预测32项波阻系数，并将其应用于遗传算法案例研究中，在保持船体横截面形状和平行中体长度不变的情况下，将船体总阻力降低了60%。我们的工作为其他研究人员提供了全面的数据集和应用实例，以推动数据驱动船舶设计的发展。

Ship-D: Ship Hull Dataset for Design Optimization Using Machine Learning

摘要

期刊

机构

引用论文