近日，我校海洋信息工程学院24级与25级新一代电子信息技术（含量子技术等）硕士生接天栋、化荣等完成的研究论文“A data-driven miniature water-flow vector sensor via dynamic pressure gradient inversion”（《一种基于动态压力梯度反演的数据驱动微型水流矢量传感器》）在国际海洋工程领域高水平期刊Ocean Engineering上发表。

Ocean Engineering是Elsevier出版的国际海洋工程领域学术期刊，主要刊载海洋工程领域原创研究与技术开发成果，研究方向覆盖水下技术、AUV/ROV设计与水动力学、海洋系统自动控制、水下感知与测量等方向。根据2026年3月发布的《新锐期刊分区表》，该期刊是ENGINEERING,MARINE（工程：海洋）学科的1区TOP期刊，具有较高的国际学术影响力。

随着海洋资源开发、深海探测和水下机器人技术不断发展，AUV、UUV等水下航行器在海洋资源探测、海底地形测绘、水下目标监测等任务中的应用日益广泛。在实际运行过程中，周围水流速度与方向是影响水下航行器环境感知、航行路径规划和侧滑状态判断的重要流场参数。然而，传统流速测量设备通常存在体积较大、功耗较高、系统集成复杂以及难以同时实现流速和流向测量等问题。针对上述问题，研究提出了一种基于动态压力梯度反演的微型水流矢量传感方法，通过压力传感器阵列获取流场作用下的空间压力分布，并结合轻量化深度学习网络建立压力信号与水流速度、方向之间的非线性映射关系，从而实现水流速度和方向的同步测量。

本研究围绕水下环境流场感知需求，构建了从理论分析、传感器设计、数据特征构建到智能反演与系统部署的完整研究体系。研究以动态压力梯度与水流运动规律之间的关系为基础，设计微型压力传感阵列，结合数值模拟与实验数据分析，建立水流压力信息与流速、流向之间的关联关系，并进一步引入数据驱动方法，实现对水流速度和方向的联合感知。

在此基础上，构建了基于多模态压力特征与CNN-LSTM网络的水流矢量测量方法，将传感器获取的压力信息转化为具有空间和时间特征的数据表示，通过深度学习模型实现水流速度与方向的智能反演，最后将深度学习模型部署于嵌入式硬件系统中，实现了传感器的实用化。相关研究形成了一套集传感、建模、智能计算与系统应用于一体的微型水流矢量感知技术方案。

该研究将海洋流体力学理论、微型传感器技术与人工智能方法相结合，为水下流场信息的智能获取提供了新的技术路径。研究成果具有微型化、集成化和智能化特点，可为水下机器人及其他海洋装备的环境感知、航行状态判断和自主导航提供技术支撑，对推动人工智能与海洋工程装备交叉融合具有积极意义。

责编：乔晓旭

初审：王连明

复审：宫淑悦

终审：谢锡銮