El aprendizaje profundo para datos 3D se ha convertido en un tema de investigación popular en muchos campos. Sin embargo, la mayoría de la investigación sobre datos 3D se basa en voxels, imágenes 2D y nubes de puntos. En los sitios industriales reales, se utilizan datos de geometría basados en caras, pero su aplicación directa en sitios industriales sigue siendo limitada debido a la falta de investigación existente. En este estudio, para superar estas limitaciones, presentamos un modelo de autoencoder variacional basado en caras (FVAE) que genera datos de geometría 3D utilizando un modelo de autoencoder variacional (VAE) directamente a partir de datos geométricos basados en caras. Nuestro modelo mejora la matriz de adyacencia existente basada en nodos y bordes y la optimiza para el aprendizaje geométrico utilizando una matriz de adyacencia basada en caras y bordes de acuerdo con la estructura de geometría 3D. En el experimento, logramos el resultado de generar información de matriz de adyacencia con un 72% de precisión y un 69% de recall a través del aprendizaje de extremo a extremo de Geometría 3D basada en caras. Además, presentamos varios métodos de estructuración para geometría 3D no estructurada y comparamos su rendimiento, y demostramos el método para realizar de manera efectiva la reconstrucción de los datos estructurados aprendidos a través de experimentos.