《Journal of Marine Science and Engineering》：AquaMambaTrack: Reliability-First Mamba ReID for Underwater Fish Multi-Object Tracking
编辑推荐：
针对浮式风力机（FOWT，Floating Offshore Wind Turbine）平台在恶劣海况下的运动响应极短期预报问题，研究人员提出了一种基于长短期记忆网络（LSTM，Long Short-Term Memory）的混合深度学习模型。该模型融合了卷积
针对浮式风力机（FOWT，Floating Offshore Wind Turbine）平台在恶劣海况下的运动响应极短期预报问题，研究人员提出了一种基于长短期记忆网络（LSTM，Long Short-Term Memory）的混合深度学习模型。该模型融合了卷积神经网络（CNN，Convolutional Neural Network）与注意力机制（Attention Mechanism），以提升对非线性波浪-结构耦合效应的捕捉能力。利用OpenFAST开源仿真工具生成不同海况下的平台纵摇（Pitch）与垂荡（Heave）运动时间序列数据，并构建了包含波浪高程、波浪力及历史运动响应的多变量输入特征集。研究表明，所提出的CNN-LSTM-Attention模型在10秒至30秒预报时域内，其均方根误差（RMSE，Root Mean Square Error）较传统LSTM模型降低约18%至25%，且在不同随机种子下均表现出良好的鲁棒性。该研究为浮式风力机实时运动控制与结构安全监测提供了高效的数据驱动预报工具。
论文解读文章
一、研究背景与问题提出
随着全球对可再生能源需求的持续增长，海上风电技术正加速向深远海区域拓展。浮式风力机（FOWT）作为开发深海风能资源的关键装备，其平台在风、浪、流联合作用下的运动响应直接关系到发电效率、结构疲劳寿命以及机组安全性。然而，浮式平台固有的低频共振特性使其对波浪激励极为敏感，尤其在极端海况下，大幅度的纵摇（Pitch）与垂荡（Heave）运动不仅会增大塔顶载荷，还可能引发叶片与塔架的碰撞风险。因此，实现对平台运动响应的精确、快速预报，对于主动浮态控制、变桨策略优化以及安全预警系统至关重要。
传统预报方法多依赖于基于势流理论或粘性计算流体力学（CFD，Computational Fluid Dynamics）的数值模型，虽然物理机制明确，但计算成本高昂，难以满足实时控制所需的毫秒级响应速度。近年来，数据驱动方法，尤其是深度学习（DL，Deep Learning）技术，凭借其强大的非线性映射能力，在结构健康监测与海洋工程动力响应预报中展现出巨大潜力。然而，现有研究多集中于单一网络结构（如纯LSTM），对波浪-结构强非线性耦合特征的提取能力有限，且缺乏对多变量输入特征融合策略的系统性探讨。因此，开发一种兼具高精度与高计算效率的混合深度学习预报模型，成为该领域亟待解决的关键问题。
二、研究内容与核心方法
针对上述问题，研究人员构建了一套完整的基于深度学习的极短期预报框架。研究首先利用OpenFAST这一开源气动-水动-结构耦合仿真平台，针对某型半潜式浮式风力机，生成了多种典型海况（包括正常运行海况与极端风暴海况）下的平台运动响应及波浪载荷数据库。该数据库涵盖了不同有义波高（Hs，Significant Wave Height）、谱峰周期（Tp，Peak Spectral Period）以及风浪入射角组合，共计模拟时长超过200小时，为模型训练提供了充足的样本。
在模型架构设计上，研究人员提出了CNN-LSTM-Attention混合网络。其中，卷积神经网络（CNN）层负责对输入的波浪高程时间序列进行局部特征提取，通过卷积核自动学习波浪的波形特征与空间相关性；随后，长短期记忆网络（LSTM）层对CNN输出的特征序列进行时序建模，捕捉平台运动响应的长期依赖关系；最后，引入注意力机制（Attention）对LSTM隐藏层状态进行加权求和，动态突出对当前预报时刻影响最大的历史信息。模型输入特征包括当前及过去时刻的波浪高程、波浪水平力与垂向力、以及平台历史纵摇和垂荡响应，输出为未来10秒、20秒和30秒的纵摇与垂荡运动预报值。训练过程中采用Adam优化器，并以均方误差（MSE，Mean Square Error）作为损失函数，同时采用早停法（Early Stopping）防止过拟合。
三、研究结果分析
1. 模型预报精度对比
研究将所提出的CNN-LSTM-Attention模型与标准LSTM模型、纯CNN模型以及传统自回归（AR，Autoregressive）模型进行了对比。结果表明，在所有测试海况下，混合模型均取得了最低的均方根误差（RMSE）和平均绝对误差（MAE，Mean Absolute Error）。在10秒预报时域内，纵摇预报的RMSE较标准LSTM降低了约18.3%，垂荡预报的RMSE降低了约21.5%；在30秒预报时域内，优势更加明显，RMSE降低幅度达到25%以上。这表明CNN的特征提取与注意力机制的动态加权能够有效提升模型对非线性波浪激励的响应精度。
2. 不同海况下的鲁棒性分析
为检验模型的泛化能力，研究人员将训练集与测试集按海况类别严格划分，确保测试集海况未参与训练。结果显示，在极端海况（Hs=12m，Tp=15s）下，模型预报的纵摇峰值误差控制在5%以内，而标准LSTM的误差则超过12%。此外，模型在不同随机初始化种子下重复训练10次，其预报性能的标准差极小，证明了模型训练过程的稳定性与可重复性。
3. 特征贡献度与消融实验
通过逐步移除输入特征（如仅保留波浪高程、去除波浪力）以及删除模型模块（如去除注意力层）的消融实验，研究发现波浪水平力与垂向力特征对纵摇预报的贡献度最高，而波浪高程对垂荡预报更为关键。注意力层的引入使得模型在波浪突变时刻（如大波群通过时）能够更快地调整预报权重，显著降低了峰值预报的滞后现象。
4. 计算效率评估
在实际工程应用中，模型推理速度至关重要。研究人员在单块NVIDIA V100 GPU上对模型进行了推理速度测试，结果表明，单次预报（输出未来30秒运动）的计算耗时仅为0.8毫秒，远低于实时控制所需的采样周期（通常为10毫秒），完全满足在线部署要求。
四、讨论与结论
讨论部分指出，尽管混合深度学习模型在极短期预报中表现出色，但其性能仍受限于训练数据的质量与覆盖范围。未来工作可考虑引入实测海上监测数据（如LiDAR测风数据、GPS浮标运动数据）进行迁移学习，以增强模型对真实海况的适应性。此外，模型当前仅针对单一浮式平台构型，其对于不同平台类型（如立柱式Spar、张力腿式TLP）的通用性尚需进一步验证。
研究结论部分翻译如下：
本研究提出了一种基于CNN-LSTM-Attention的混合深度学习模型，用于浮式风力机平台纵摇与垂荡运动的极短期预报。通过OpenFAST仿真数据集的训练与验证，该模型在10至30秒预报时域内的精度显著优于传统LSTM与AR模型，且计算效率满足实时应用需求。研究表明，融合多变量波浪特征与注意力机制能够有效提升数据驱动模型在强非线性海洋环境下的预报鲁棒性，为浮式风力机的智能运动控制与安全评估提供了新的技术途径。该研究成果发表于《Journal of Marine Science and Engineering》。
