Ship-D：用于机器学习设计优化的船体数据集

机器学习近来在缩短复杂产品设计周期方面取得显著进展。船舶设计目前涉及长达数年的周期与小批量生产，可极大受益于这些进展。通过开发从多种不同类型船舶设计中学习的机器学习工具，可识别并优化船舶设计中的权衡。然而，公开可用船舶设计数据集的缺乏目前限制了机器学习在通用船舶设计中的潜力。为弥补这一缺口，本文提出一个包含三万艘船体的大型数据集，每艘均带有设计与功能性能信息，包括参数化、网格、点云与图像表示，以及在不同工况下的三十二项水动力阻力度量。该数据集结构支持人工输入，并面向计算方法设计。此外，本文从公开 CAD 库引入十二艘船体，以展示所提参数化准确重建现有船体的能力。我们开发了预测三十二个波阻系数的代理模型，并将其应用于遗传算法案例研究，在保持船体横截面形状与平行中体长度的同时将总阻力降低百分之六十。我们的工作为其他研究者在推进数据驱动船舶设计方面提供了全面的数据集与应用示例。