《Journal of Ocean Engineering and Science》：An adaptive prediction method for the towed-object depth and tow-cable tension of an underwater towed system in variable operating scenarios
编辑推荐：
在水下拖曳系统中，准确预测拖体深度和拖缆张力可防止拖体与海床或水下障碍物碰撞，以及过载拖缆断裂导致的安全事故和经济损失。随着工况变化，水下拖曳系统的关键动态参数显著变化，这些变化对拖体深度和拖缆张力的预测精度产生关键影响。现有方法无法使这些动态参数适应不同场景
在水下拖曳系统中，准确预测拖体深度和拖缆张力可防止拖体与海床或水下障碍物碰撞，以及过载拖缆断裂导致的安全事故和经济损失。随着工况变化，水下拖曳系统的关键动态参数显著变化，这些变化对拖体深度和拖缆张力的预测精度产生关键影响。现有方法无法使这些动态参数适应不同场景，也无法在复杂条件下（如缆长或速度变化）生成高效准确的预测。因此，本研究开发了一种基于Transformer的预测模型（Transformer-based prediction model），用于快速预测复杂条件下的拖体深度和拖缆张力。在该方法中，当工况变化时，参数校正算法（parameter-correction algorithm）用于更新关键动态参数，并将其作为模型输入特征，从而确保在各种场景下生成快速准确的预测。在测试集上，基于Transformer的预测模型对拖体深度和拖缆张力的平均绝对误差（MAE）和均方根误差（RMSE）均小于1，平均预测时间不超过0.5秒。在两个不同工况的海试中，相对预测误差始终低于5%。这些结果表明，所提出的方法兼具快速响应和高预测精度，适用于多种工况。
研究背景：水下拖曳系统广泛应用于海洋资源勘探、环境监测、海底工程建设和军事侦察等任务，其拖缆和拖体关键动态参数的精确预测对避免碰撞、过载断裂及保障作业安全至关重要。然而，传统数值方法（如有限差分法、集中质量法）在变工况（如缆长或航速变化）下计算效率低，难以实现实时准确预测；现有的数据驱动模型（如RNN、CNN、LSTM）无法充分捕获动态参数间的全局非线性耦合关系，且预训练模型在场景变化时泛化能力不足。因此，研究人员提出一种结合Transformer架构与参数自适应校正的预测方法，旨在解决变工况下拖体深度与拖缆张力的快速、高精度预测问题。该研究发表于《Journal of Ocean Engineering and Science》。
研究方法与结论：研究人员首先利用经实验验证的集中质量法数值模型（Xu等人[30]提出）生成涵盖多种拖曳系统和操作条件的4510万样本训练数据集；然后构建基于Transformer的多任务预测模型（TTC-PM），通过全局自注意力机制捕获动态参数间的非线性耦合，并引入物理约束损失函数（如拖体深度小于缆长、尾端张力小于首端张力）以增强模型物理可解释性。在测试集上，TTC-PM对拖体深度、拖缆首端张力和尾端张力的预测精度均超过98%，MAE和RMSE均小于1，相关系数接近1，单次预测时间不超过0.5秒，计算效率较传统数值模型提高约800倍。针对模型在不同场景下推广性不足的问题，研究人员提出基于遗传算法的参数自适应校正机制：利用少量实测数据（如2-3个典型航速下的深度和张力）对拖缆切向阻尼系数（Ct）、法向阻尼系数（Cn）、附加质量系数（λt和λb）及拖体阻力系数（Ca）五个关键动态参数进行在线优化，校正后的参数作为TTC-PM输入特征，实现变工况下快速准确预测。两次海试（2024年3月与8月，南海水深约1300米，分别使用不同拖体设备）验证了该方法：在参数校正后，TTC-PM对拖体深度和拖缆张力的预测相对误差均低于5%，平均预测时间不超过0.5秒，且能准确反映不同拖体系统（质量3000kg与3400kg）的物理特性。
主要关键技术方法：1) 基于集中质量法（lumped mass method）的连续拖缆长度预测数值模型，用于生成物理约束下的训练数据集；2) 基于Transformer的多任务学习架构（TTC-PM），利用全局自注意力机制捕获输入特征间的非线性耦合关系；3) 遗传算法驱动的参数自适应校正机制，用于在线校准拖缆阻尼系数、附加质量系数和拖体阻力系数等五个关键动态参数；4) 两次独立海试（南海，水深约1300米，拖体质量分别为3000kg和3400kg）进行实验验证。
研究结果：
1. 验证TTC-PM模型有效性（Validation of the TTC-PM Effectiveness）：通过训练损失曲线分析和测试集残差分析，TTC-PM在三个任务（拖体深度、拖缆首端张力、拖缆尾端张力）上的损失值在28个epoch后收敛至较低水平（分别为1.23m、0.633kg、0.0832kg）。测试集残差分析显示，拖体深度平均残差0.2062m，首端张力0.1001kg，尾端张力0.0823kg，95%置信区间均窄。统计指标表明，三个任务的预测精度均超过98%，MAE和RMSE均小于1，相关系数接近1。计算效率对比显示，TTC-PM在1200m缆长下的预测时间仅0.5秒，而传统数值模型需403秒，效率提升约800倍。
2. 验证场景自适应机制（Validation of the Scenario-Adaptation Mechanism）：两次海试分别在不同海域和拖体配置下进行。3月海试（拖体质量3000kg）中，使用2.1m/s和2.3m/s航速数据校正参数，校正后TTC-PM在2.1m/s、2.6m/s、3.1m/s航速下预测的拖体深度均接近目标300m，相对误差均低于1.3%。8月海试（拖体质量3400kg）中，使用2.1m/s和2.2m/s校正参数，预测结果相对误差均低于5%。所有条件下的预测时间均小于0.5秒。与数值模型预测结果对比显示，TTC-PM与实测值高度一致，验证了模型对物理规律的保留能力。
总结讨论：讨论部分指出，TTC-PM模型在训练中有效学习了系统稳态行为，Transformer架构能捕获动态响应特征。两次海试结果表明，参数自适应校正机制使模型能快速适应不同拖体系统和海洋环境，在复杂海况（如波浪引起的深度波动±2.5m）下仍保持高精度。与数值模型对比，TTC-PM在保持物理一致性的同时大幅提升计算效率（从数分钟降至0.5秒内），为现场作业指导和实时控制提供了可行方案。但模型预测精度受限于训练数据质量，若工况超出训练数据范围（如缆长>2000m或航速>10m/s），需重新训练。此外，多区域复杂海流（如非定常涡旋）可能引起拖体深度振荡，未来需结合增量学习框架和更广泛的海试数据进一步验证泛化能力。
研究结论：本研究通过改进连续拖缆张力预测的数学物理模型，生成数据训练了TTC-PM模型。该模型仅需调整输入特征向量即可直接输出不同工况下的拖体深度和拖缆张力预测值，无需重复建模，验证了快速预测的有效性。随后，基于TTC-PM开发了拖体深度和拖缆张力的自适应预测方法，该方法利用实验数据进行动态参数校正，并采用更新后的参数进行变场景预测。在多季节海试中，该方法通过实验数据驱动自适应校正机制动态调整拖曳系统动态参数，使拖体深度和拖缆张力的相对预测误差均低于5%，平均响应时间不超过0.5秒。这些结果验证了模型的场景适应能力以及快速准确的预测性能。最终得出三个结论：(1) 考虑缆索释放过程对缆长预测的影响，通过集中质量法导出连续拖缆张力预测的数学物理模型，该模型能同时连续预测不同缆长下的拖体深度和拖缆张力。(2) 利用数学物理模型生成样本数据，构建了TTC-PM模型。在测试集上，拖体深度和拖缆张力的精度均超过98%，相应的MAE和RMSE均小于1，相关系数均等于1，平均预测时间不超过0.5秒，验证了TTC-PM的快速预测能力。(3) 利用TTC-PM建立闭环框架，通过实验数据驱动动态参数校准实现变场景预测，开发了自适应拖体深度和拖缆张力预测方法。通过两次多季节海试，证明了该方法具有强大的场景适应能力以及快速准确预测拖曳系统特性的能力。研究中也发现了一些局限性：TTC-PM对拖缆首端张力的预测残差存在局部波动，当工况超出训练数据范围时模型可能无法有效外推，需通过系统增补新工况数据实现持续学习；在多区域场景中，复杂海洋水动力效应（如非定常涡旋）偶会导致拖体深度预测振荡；未来需在参数变化更显著场景下扩展验证，并攻克缆体耦合动态建模难题，实现高精度深度和高度控制。
