PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02214v1cs.CE

MiDShip: 공학 설계를 위한 선박 화물창 구조 멀티모달 데이터셋

MiDShip: Multimodal Dataset of Ship Cargo Hold Structures for Engineering Design

선박 구조는 선박의 강도, 안전성, 제조 가능성을 좌우하지만, 그 설계는 수백 가지의 선급 협회 요건을 충족해야 하므로 복잡하고 반복적인 과정을 거쳐야 합니다. 데이터 기반 접근법은 설계 형상, 구조적 성능, 규칙 기반 제약 조건을 연결하는 정형화된 데이터셋의 부재로 인해 한계가 있습니다. 본 논문에서는 12,753개의 합성 화물창 구조 설계로 구성된 멀티모달 데이터셋인 MiDShip을 제시합니다. 이 데이터셋은 6,020개의 무작위 설계, SGLD에서 영감을 얻은 절차로 생성된 496개의 설계, 그리고 수식 기반 복구(repair) 절차로 생성된 6,237개의 설계를 포함합니다. 각 설계에는 매개변수 데이터, 완전 및 메시 준비(mesh-ready) 3D 형상, 공학 도면 및 주석, 자재 명세서(BOM), 예비 구조 평가가 포함되어 있습니다. 또한 ABS MVR의 하위 집합에서 도출된 25개의 제약 조건도 함께 평가됩니다. 무작위 설계 중 모든 제약 조건을 충족하는 것은 하나도 없었습니다. SGLD 기반 설계 중에서는 322개(64.9%)가 완전히 요건을 준수했으며, 평균 위반 횟수는 0.409건으로 시드 평균보다 82.7%, 무작위 설계 평균보다 96.9% 낮았습니다. LLM 보조 코드 분석을 통해 개발된 복구 절차는 4,952개의 완전 준수 설계(79.4%)를 생성했으며, 평균 위반 횟수는 0.296건으로 쌍을 이룬 소스 평균보다 97.1% 낮았습니다. 동일 크기 비교에서, 스케일링된 120개 매개변수 공간 내 평균 최근접 이웃 거리는 복구 설계의 경우 3.495, SGLD 배치의 경우 1.144, 무작위 설계의 경우 3.729였습니다. 본 연구의 주된 기여는 동기화된 데이터셋 및 그 생성·평가 인프라 자체에 있으며, 생성 연구는 새로운 최적화 알고리즘을 제안하기보다는 데이터셋의 유용성을 입증하기 위한 것입니다. MiDShip은 선박 구조를 위한 머신러닝, 생성형 설계, 규칙 기반 자동 평가를 지원합니다.