水下仿生流场探测技术研究进展

包 艺，张庆辉，刘勇锋，李广华，张 淼，陈效鹏，杜 鹏，*

（1.西北工业大学 航海学院，陕西 西安 710072；2.山西平阳重工机械有限责任公司，山西 侯马 043099；3.国网淮北供电公司，安徽 淮北 235000；4.河南省水下智能装备重点实验室，河南 郑州 450015）

0 引言

海洋是地球上重要的生态系统，是军事上寸土必争的战略要地，同时，海上运输也是当今全球最重要的交通运输方式。人类对海洋的探索从未停止，深海探测、深海资源挖掘、海洋生态保护，以及水下追踪、隐身等技术已经成为目前国际上研究的热点。随着我国“海洋强国”战略的提出，国内对水下探测技术与海洋探测装备的研究变得越来越重视。

水下探测技术的发展经历了一个漫长的演变过程。早期尝试使用光波进行探测，但对于深海区域，光线难以到达，且易发生衰减和散射，导致水下影像变得模糊，影响高质量水下目标图像的获取[1]。随着近代水声学的发展，声呐技术成为了重要的探测方式，声学信号在深海区域内具有衰减程度小、传播距离远等优点[2]。但由于潜艇降噪技术、消声和隔振技术等声隐身技术的发展和复杂海洋条件对水下声传播的制约，声学探测技术正面临着威胁和挑战[3]。除了光学探测、声学探测以外，水下探测的方法还包括磁异探测、红外探测、激光探测、合成孔径雷达探测等[4]。

除了上述典型的水下探测方法外，海洋生物的生理结构与行为特征能为研究者们提供灵感。研究发现，水生脊椎动物如鱼类的侧线器官可感受到水流流速、加速度、压力和振动源，从而判断猎物、天敌或障碍物的位置来做出应激反应[5]。海豹也可以利用它的胡须来感受猎物游动时产生的尾迹[6]。因此，仿照鱼类侧线和海豹胡须的探测原理，可根据目标尾迹的流场特性来识别和跟踪物体[7]。水下目标的振动或平动会导致水动力尾迹的产生，当目标物离开尾迹产生的位置时，水动力尾迹不会马上耗散掉，而是会持续存在一段时间，持续时间可能与目标物的大小和运动的速度有关，当其他水生生物经过水动力尾迹的位置时，可通过该尾迹来判断出目标的状态信息[8]。

受此启发，通过模仿水生生物的探测器官，研究者们按其原理，相继制作出了仿生流场传感器，用于水下流场探测。通过研制高精度和高灵敏度的传感器获取更为精准的水动力数据是当前主要的研究方向之一，但如何将水动力数据与目标物的尺寸、形状、位置以及运动状态建立联系也是非常重要的。目前，越来越多的水下流场探测方法被相继提出，其中包括机器学习方法，由于其具备能够有效地寻找高非线性度、高维度的映射关系，且时效性强、精准度高、易于实现等优点，受到研究者们的广泛青睐。相比目前较为常用的如光学和声学等水下探测技术，结合了仿生流场传感器与机器学习等方法的仿生流场探测技术，克服了信号的衰减、噪声和天气等因素的影响，且为被动探测技术，可将探测系统集成在水下航行器上，并进行长时间探测，隐蔽性强，可以弥补现有水下探测技术在复杂海域下近场感知的缺陷。本文以水下仿生流场探测为主题，介绍了典型的水下探测技术研究现状，并陈述了国内外仿生流场传感器与流场水动力探测方法的研究进展。

1 典型水下探测技术研究现状

目前，典型的水下探测技术是通过不同物理手段，向水下主动发送信号或被动接收信号，从而通过观测水下声场、温度场、光场、磁场等物理场来进行探测的。现代常用的水下探测技术有声学探测、红外探测、磁异探测、激光探测与合成孔径雷达探测技术。

1.1 声学探测技术

水下目标的声学探测是目前主要的探测手段，主要包括声呐、声制导以及网络化水声探测等。探测模式可分为主动探测和被动探测。目前，声呐的工作频率逐步向低频、宽带和大功率方向发展，定位精度、探测距离和智能化识别功能不断提高[3]。多波束测深声呐、侧扫声呐、浅地层剖面仪和合成孔径声呐是近几十年来快速发展的海底声学探测高新技术装备[9]。

典型的装备有挪威EM122型深水多波束声呐、美国AN/BQS-5D型宽孔径低频被动声呐、英国2087型低频主动声呐等[3]。其中，挪威EM122型深水多波束声呐的最大测深达11 000 m，单次可发射576个波束，最大覆盖宽度为43 km，最小波束角宽为0.5°×1°[10]。由浙江大学和国家海洋局共同研制的我国第1台深水多波束声呐的最大探测距离为11 km[11]。

水下声学探测具有探测距离远、传播损失小且可多目标同时定位等优势，但存在多路径效应以及混响干扰、海洋环境噪声和自噪声等干扰因素，且声音在浅水区的传播非常不稳定。同时，降噪、消声和隔振等技术的发展使得声学探测面临着巨大挑战。

1.2 红外探测技术

红外探测技术是使用红外探测器来识别水下潜体产生并浮升的热尾流。潜体在航行过程中，由于其冷却系统放出的温热海水以及螺旋桨打水和运动时对海水的冲击摩擦等因素，导致潜体后部产生热尾流。由于热尾流的密度比附近的海水小，当热尾流逐渐上浮到水面，即可被机载红外探测仪识别出来[12]。

目前，国内对热尾流特征的分析以及红外图像的获取方法进行了大量研究。海军工程大学的张士成等利用射线跟踪法探测了海面上的红外图像，并发现了潜体低速航行时的横波特征与高速航行时的纵波特征[13]。哈尔滨工业大学的王好贤等对热尾流进行了仿真，通过分析尾迹的温度分布的离散程度来区分水下和水面目标[14]。国防科技大学的杨卫平等通过缩比实验进行红外探测系统成像，发现利用区域灰度值均值和均方差大小可探测出潜体的水面尾迹[15]。

红外探测技术具有观测范围大、抗电子干扰强、隐蔽性好且成像分辨率高等优点[12]，但易受环境温度与杂质等影响。

1.3 磁异探测技术

磁异探测是利用水下航行体本身的磁场特性与地球磁场的差异而导致周围水域的磁场特性也随之发生改变的特点来进行探测的[16]。美国研发的AN/ASQ-81(V)4氦跟踪式光泵磁探仪，以18.5～225.3 km/h的速度提供了理论最大探测距离，可达1 000 m[17]。

磁场是水下目标探测中所利用的重要物理信号之一，其水层穿透性强且不易受海洋环境干扰[18]。但是天气因素如雨、雾、低云等对磁异探测影响很大，且有效探测范围较小，只能用于铁磁目标。

1.4 激光探测技术

DUENTLEY等人在1963年发现，在不同波长的电磁波中，波长为0.47～0.58 μm的蓝绿激光在海水中的传播损失最小[19]，适用于水下探测。在激光雷达向目标发射激光后，会接收到从物体反射的回波信号，根据不同目标的特点，回波信号的强度也会不同。机载激光雷达可进行实时监测，每小时的探测面积可达几百平方千米，最大探测深度可达几十米[20]。

典型的激光水下探测系统有俄罗斯“紫石英”系统、美国“魔灯”系统、美国SHOALS系统等。其中，“紫石英”系统的最大探测深度为45 m，搜索宽度为900 mm，飞行高度为200 m，飞行速度为200 kn[20]。

激光探测技术具有探测面积大、精度高、实时性好等优点，但对于海水对光线的吸收和散射作用导致的成像模糊的问题仍待解决。

1.5 合成孔径雷达探测技术

机载或星载的合成孔径雷达（SAR）可以探测到水面与水下航行体的水动力尾迹，包括开尔文尾迹、伯努利水丘、内波尾迹、涡尾迹、湍流尾迹等[21]。其通过载体的匀速运动可获得一个大孔径回波的效果，从而取得较高的分辨率。SAR的成像亮度取决于目标的后向反射信号的强度，这与物体表面的粗糙度、含水量、介电常数等因素有关[22]。表面粗糙度越大，后向散射强度越大，灰度图也越亮。美国的星载SAR在0.006 s的时间内可以生成一副覆盖范围达1 000 km2、分辨能力为3 m的图像[17]。

SAR技术受天气影响较小，具有高分辨率和高精度，能够检测到水下地形和目标物的微小变化和细节。但是成像时间长，需要多次扫描和处理，对设备的技术要求比较高。

2 仿生流场传感器研究进展

水下生物具有对水流极为敏感的感受器官，如鱼类侧线与海豹胡须，通过神经系统的处理后做出相应反应，即可完成捕食、避障、集群等行为。其独特的生理结构与感知原理也被研究者们深入探索，并作为仿生流场传感器研制的重要依据。

鱼类的侧线器官（Lateral Line）分布在鱼头和鱼身的侧面，其表面布满感知水动力刺激的感知细胞——神经丘，根据分布位置与感知功能的不同，可分为体表神经丘（Superficial Nerve，SN）和侧线管神经丘（Canal Nerve，CN）[23]（见图1）。体表神经丘的结构包括胶质顶层、感知纤毛、感知细胞和神经中枢，当附近有运动物体通过时，水波使得胶质顶层受到作用力，胶质顶层会带动纤毛一起摆动，并开启离子转导通道，将刺激信号传向神经中枢[24]。这样类似悬臂梁的结构，能够帮助鱼类感知水流的流向与流速。管神经丘的结构包括外孔、侧线管、神经丘核神经中枢。外界的水流可以从外孔进出侧线管，能够感知侧线管内外的压强梯度[25]。

鳍足类生物（如海豹和海狮等）能利用它们的高度敏感的胡须感受鱼类运动产生的水动力尾迹，并且在浑浊和黑暗的海域进行捕猎或追踪领航者的尾迹[26-28]。胡须通过毛囊窦复合体（Follicular Sinus Complex，FSC）附着在动物的面部，该毛囊结构中含有将触须信号传递给神经系统的机械感受器[29]（见图2（a））。经研究发现，海豹的胡须结构呈具有起伏度的波浪状[30]（见图2（b）），该结构特点可以增强它们的感知能力，如拥有起伏椭圆截面胡须的港海豹具有比拥有普通椭圆截面胡须的加利福尼亚海狮更强的尾迹追踪能力[31]。

图2 海豹胡须几何特征与结构Fig.2 Geometric characteristics and structures of seal whiskers

仿照水生生物的流场感知器官的结构，研究者们根据鱼类侧线的体表神经丘、管道神经丘以及海豹的波浪状胡须结构的原理，采用新型材料与微机械加工（MEMS）技术，研制出了可以检测水流局部流速与压力梯度的流场传感器。以此为单元可组合为人工侧线传感器阵列，进行水下探测与定位等研究。本章介绍现有的流场传感器研究进展，根据感知原理不同，可分为：压阻式、压电式、电容式、光学式和热线式，部分流场传感器如图3所示。

图3 基于不同原理的仿生流场传感器Fig.3 Bionic flow field sensors based on different principles

2.1 压阻式

传感器的压阻效应是由压力带来敏感元件变形并使其电阻值发生变化，通过外部电路的转换，以电信号的形式显示出来。其核心部件是类似悬臂梁结构的人工纤毛，在局部水流的作用下会发生偏转，从而导致压阻元件两端的阻值发生改变，通过电桥显示出电阻的阻值即可间接测量出局部流场的流速或压力梯度。

2002年，FAN等人使用塑性变形磁组装工艺（Plastic Deformation Magnetic Assembly，PDMA）设计了第1个纤毛流动传感器（见图3（a））。该传感器可检测0.1～1 m/s范围内的层流流动[32]。2008年，MCCONNEY等人使用滴注法制作了一个带高长径比的水凝胶盖（聚乙二醇）的纤毛流动传感器，灵敏度增强了大约2个数量级，达到了2.5 V/(μm/s)[33]。

研究者们还通过对传感器材料与结构进行改进，来提高流速与压强的检测阈值。QUALTIERI等人先后采用氮化铝和多层Si/Si3N2结构的悬臂梁，加上镍铬合金纤毛（80/20）和AIN/Mo压敏电阻来制作传感器，提高了对流动方向的敏感性，压强检测阈值为2.5 kPa[34-35]。KOTTAPALLI等人采用液晶聚合膜（Liquid Crystal Polymer，LCP）、应变计和Si-60纤毛组成新式传感器，可用于高温高压环境，灵敏度高，在空气和水中的检测阈值分别为0.1 m/s和15 mm/s[36]。随后他们在纤毛周围创建了一些金字塔型纳米纤维结构（见图3（b）），并将水凝胶浇铸在纳米纤维上以增强传感器的灵敏度[37]。TAN等人将离子聚合物材料（IPMC）传感器嵌入到充满粘性流体的鱼外形管道内（见图3（e）），通过管道在流场内的偏转来捕获管道孔隙之间的压力差[38]。GUO等人仿照鱼类侧线体表神经丘的结构，设计了一种纤毛组织由一簇呈阶梯状排布的微柱的传感器，可检测出流体流动方向，并表明了水凝胶帽的加入可使传感器灵敏度提高107%[39]。

2012年，ALVARADO等人基于海豹胡须的FSC模型，将人造胡须安装在柔性膜上，通过围绕在圆柱形头部安装的柔性位移传感器来测量胡须在2个正交平面中的枢转运动，实验结果表明测量值振幅取决于流体速度的瞬时或稳定变化[29]。2015年，BEEM等人仿照海豹胡须的波浪状结构，设计了一种晶须模型（见图3（f）），其基部安装在挠曲板上从而允许模型在顺向和横向流动方向上自由振动，并将板的偏转信号通过应变计和惠斯通电桥输出为电压信号，发现了晶须的响应频率与上游圆柱尾流的斯特劳哈尔频率一致[40]。

单个传感器往往无法实现很强的功能，研究者们将传感器以阵列的形式组合起来，可有效提高其检测能力和精准度。JIANG等人在管道中布置纤毛流动传感器（见图3（c））来检测振动偶极子源，当偶极子振动频率为115 Hz时，传感器阵列的压强梯度检测阈值为11 Pa/m[41]。FERNANDEZ等人使用数百个传感器组成的阵列来检测圆柱形障碍物，压强检测阈值为1 Pa，经简化后由4个传感器组成的中心距为15 mm的一维传感器阵列的压强检测阈值就可达到1.5 Pa[42-43]。2022年，王森等人将利用3D打印技术制作的海豹胡须模型组成二维阵列，实现了目标尾流特征的测量，研究发现，胡须模型升力系数的主频与尾流漩涡脱落频率理论值的一致性较好，且胡须夹角的大小会影响传感器涡激振动的产生[44]。

压阻式传感器具有灵敏度高、频率响应高、稳定性好以及体积小、耗电少等性能优点，且制作工艺成熟，集成化水平高、商业化程度高，是研究者们较多选择的用来进行流场检测的传感器。但它易受到温度变化的影响，在温度补偿、防蠕变、防水性等方面的要求都非常高，有待进一步强化。

2.2 压电式

传感器的压电效应是由于材料受到外力作用时能在材料中产生电场（表面产生电荷），当外力除去时，又能重新恢复到不带电的状态。2013年，ASADNIA等人设计并制作了压电式流场传感器阵列来检测偶极子源振荡，流速检测上的分辨率为3 mm/s[45]。在后续的优化过程中，他们首先将聚合物纤毛安装在带有浮动电极Pb(Zr0.52Ti0.48)O3微隔膜上（见图3（d）），灵敏度为22 mV/(mm/s)，流速检测分辨率达到了8.2 μm/s[46]。随后他们又将由聚二甲基硅氧烷（PDMS）与聚偏氟乙烯（PVDF）压电纳米纤维制成的纤毛束，用圆顶形水凝胶壳斗包裹起来（见图3（h）），灵敏度达300 mV/(mm/s)，流速分辨率达到了8 μm/s[47]。

随着新型材料的研制，压电式流场传感器的压电性能得到了不断提高。HU等人采用极化聚偏乙烯–三氟乙烯[P(VDF-TrFE)]/钛酸钡（BTO）静电纺丝纳米纤维垫作为传感层，带有圆形腔阵列的聚亚酰胺（PI）薄膜作为衬底，聚甲基丙烯酸甲酯（PMMA）柱体作为纤毛，流速检测阈值达0.23 mm/s[48]。TAN等人同样采用聚偏氟乙烯（PVDF）薄膜作为压电传感元件，分析了4种不同形状的人工锥体结构对传感性能的影响[49]。

压电式传感器具备结构简单、性能稳定、线性度好、频带响应宽、信噪比高、工作可靠等优点。但其对压电材料的要求较高，在水下测量时，应提高防水性以及防冲击性来保护压电元件不被破坏。

2.3 电容式

电容式流场传感器的关键部件是可变电容器，可通过局部流场的激励带来电容器极板距离与有效面积的改变，从而转变为电容大小的变化。2007年，KRIJNEN等人将附着在氮化硅薄膜上的SU-8纤毛阵列与电容器组装在一起，在局部流体的冲击作用在纤毛上时，电容电极之间的间隙会发生改变，通过检测电容的大小可转换为流体的流速值。该传感器在探测气流时的灵敏度为1.39 pF/rad[50]。2010年，STOCKING等人仿照海豹胡须结构开发了一种刚性人造晶须式流场传感器，安装在装有电容器的底座上（见图3（g）），可用于检测流体的流速和流动方向，检测范围为0.1～1 m/s，输出信号阈值为1 pf[51]。

电容式传感器具有灵敏度高、耐高温、耐辐射、动态响应特性好、功耗低等优点。但其输出阻抗高，因而负载能力小，在环境干扰的影响下易出现不稳定现象，且电子线路和周围导体构成的寄生电容会影响测量的精确度。

2.4 光学式

光学式流场传感器是通过发光二极管、光栅等光学器件捕捉纤毛结构在水中的偏转，并将光信号转变为电信号输出来表征水流流速。2011年，KLEIN等人开发出了一种由透明硅棒与红外发光二极管组成的光学传感器，可用于检测由振动球体或上游圆柱体引起的涡旋流动，速度检测阈值为100 µm/s[52]。GROBE和HENDRIK都采用聚二烷（PDMS）薄片制作柔性微柱，在局部流动的作用下，微柱受到压力而弯曲，通过光障原理对它的扰度进行测量[53-54]。2018年，WOLF等人提出了一种刻有布拉格光栅的人工纤毛光学传感器，纤毛一端连有塑性球体（见图3（i）），光栅可以反映球体受到的流体作用力的大小，该传感器在低频时流速检测阈值为5 µm/s，且可以检测到几度范围内的流动方向[55]。2021年，李冰等人根据海豹胡须的仿生学原理，制作了一种可用于应力与折射率测量的新型光纤传感器，应力测量灵敏度可达7.00 pm/με，折射率测量灵敏度可达55.223 mm/RIU，均具有很好的线性拟合效果[56]。

光学流速传感器通过外接设备来捕捉光信号的方式来测量流速，省去了传感器内部复杂的电路和模数转换过程，且具有灵敏度高、动态范围宽等优点。但在实际水下探测过程中难以实现光学信号的获取，且易发生散射、反射以及受到其它光源的影响。

2.5 热线式

热线风速计（HWA）是一种常用的用来测量流体流速的仪器。当空气或水流流经内部的热线金属丝时，由热对流导致的热量损失会使热线的温度和电阻值发生变化，从而可以通过测量阻值来间接测量流动速度。YANG等人利用热线原理开发了一种传感器阵列，在平板上印刷电路，并通过三维磁性组装技术将热线安装在平板外部（见图3（j））。该传感器可以监测振动偶极子源在1 kHz采样时速度检测阈值为0.2 mm/s[57-58]。

热线式传感器广泛应用在空气流量的测量应用中，具有精度高、响应速度快、结构简单等特点。但由于防水性能的影响，该类传感器还未在水下流速测量中得到很好的应用。

3 流场水动力探测方法研究进展

近些年来，国内外研究者们不断探索如何利用流场的水动力信息，如流速和压差等，对水中目标物的位置、形状以及大小进行识别和预测。运动目标物产生的流场，通常用小球振动模拟的偶极子源流场和障碍物绕流流场来进行近似代替，符合实际海域中鱼类尾部拍打水面和固定或运动物体绕流的情况。并通过数值模拟和实验相结合的方法，寻找水动力信息与目标状态参数之间的映射关系。该方法弥补了声学和光学方法在水下复杂流体环境中近场感知的缺陷，具有很重要的研究前景。根据流场水动力探测方法的研究历程，本章将从理论建模和机器学习方面的研究进展进行介绍，部分方法的系统和结构如图4所示。

3.1 基于理论建模的流场水动力探测方法

为了仿照鱼类侧线体表神经丘和管神经丘对对流场流速与压力的敏感性，研究者们试图利用传感器捕捉的流场信息建立水动力特点与目标位置信息的数学模型，并保证更多的实验结果数据与模型的拟合程度越来越高。

2006年，格罗宁根大学的BRANISLAVA等人利用电生理学，对鱼类沿侧线分布的压力梯度激励模式在空间特征中进行线性编码。发现侧线管内的神经纤维的位移与侧线沿线的局部压力梯度成正比，且激励模式可分解为偶数和奇数2个小波[59]。同年，Pandya等人利用MEMS热线流量传感器阵列进行了水下运动偶极子源轨迹的追踪实验，使用最小均方误差算法和经验数据提出了2种方法，即混合高斯模型拟合的建模方法与模板训练法，成功预测了偶极子源的位置[60]。BOUFFANAIS等人在2010年提出了一种基于保角映射和归一化过程对障碍物的大小、位置和形状进行编码的方法，编码序列体现了通过压力传感进行流体动力学成像的渐进特征，并推导出了障碍物形状表示参数的解析解[61]。YANG等人开发了一种分布在半圆柱体表面上的MEMS制作的流速传感器十字形阵列（见图4（b），图中黄色圆盘代表传感器；数字代表传感器编号；红线代表每个传感器的主轴方向），利用波束形成算法将每个传感器得到信号进行三维流体动力学成像，通过观察能量图案的峰值成功预测了偶极子源的位置[62]。

2012年，REN等人针对鱼形模型周围的卡门涡街势流流场，采用伯努利方程计算鱼身表面上的压力分布，利用外部已知流场可通过一对连续孔之间的压力梯度求得鱼身内部流场的解析解。研究结果表明，涡街的主要特征如大小、移速、间距和鱼身的夹角等都可通过测量涡街沿着鱼形模型的速度分布随时间的变化来重现[63]。ROBERTO等人设计了一种搭载平行压力传感器阵列的U形平台对均匀流和卡门涡街进行局部测量，通过分析传感器测量中存在的波动幅度和检测相同主导频率的传感器数量，能够区分这2种流场的类别，并确定平台相对于来流和卡门涡街中心轴的方向和位置[64]。2015年，LEVI等人将IPMC流速传感器与嵌入式压力传感器同时搭载在翼型水下航行器上，利用流速传感器测量值与局部流速分量的密切关系来建立合理的非线性估计策略，以估计自由流流速、航行器攻角与上游障碍物的相对位置，压力传感器可测量两侧压差以校准流速传感器和调整航行器姿态[65]。

由于理论建模方法忽略了流体粘性，以及在实际实验室和工程应用上会产生的外界环境干扰噪声的影响，其理想情况下得到的解析解往往无法直接运用在实际探测当中去，仅可作为理论指导，具有很大的局限性。

3.2 基于机器学习的流场水动力探测方法

实际的水下流场探测环境是非常复杂的，其它流场干扰、温度和盐度的变化以及水下颗粒物等因素都会降低传感器测量值的准确度，且人工侧线获得的水动力特征与目标物状态参数之间存在着高维数和高非线性关系，对预测模型的噪声鲁棒性要求极高。越来越多的研究者们开始利用机器学习方法来解决上述问题，通过大量数据来训练模型，不断提高其泛化能力，其准确性和高效性也逐渐显现出来。

1）神经网络是机器学习方法中较为简单且最常用的方法，其基本单元为神经元，可以将带有权重的输入信号与其本身的阈值进行线性组合，并经过激活函数的非线性处理后输出。神经元按层排布，层与层之间的神经元两两连接，从输入层到隐含层到输出层，即可组成多层感知机（MLP）神经网络。该神经网络常用误差逆传播（Backpropagation，BP）算法进行训练优化，即沿着输出值与真实值的均方误差（MSE）等误差标准的逆向梯度方向寻找最小值，来更新整个网络的权值与阈值。

2012年，ABDULSADDA等人利用MLP网络，在1BL（身长）的传感器阵列前方2BL×BL区域内预测运动偶极子源位置，平均预测误差为1.5% BL[66]。2013年，他们在样本数据中加入了噪声，使信噪比达到30 dB，成功预测了目标圆柱的位置[67]。2017年，MAURICIO等人通过二维格子玻尔兹曼方法对管道中的障碍物绕流流场进行了数值模拟，采用MLP网络对尾迹流场中的动态压力与水平速度分量进行训练来预测障碍物的位置。研究发现，在小直径障碍物尺寸和管道边缘区域处的预测精度较低[68]。

2018年，LIU等人将压力传感器阵列布置在回转体水下航行器（AUV）的侧线上，利用数值模拟方法研究了AUV在振动源位置、频率和振幅方面的压力影响机制，并通过水槽实验进行了验证。采用简单的线性回归神经网络对以上参数进行了识别[69]。同年，又采用MLP网络对目标障碍物中圆形和方形2种形状进行了分类识别，准确率分别达到了98.9%和95.3%[70]。2020年，MOHAMED等人利用在空间分布的光纤人工触须传感器来测量圆柱绕流尾迹流场的流速（见图4（d）），通过2个MLP网络（见图4（e））分别预测不同圆柱位置的横坐标和纵坐标，在雷诺数为6 000的流场中达到了平均误差小于圆柱直径的效果[71]。

2）常规的MLP网络由于每一层神经元之间采用全连接的方式，导致计算与时间成本较高，且若想预测高维度和高非线性度的映射关系，需要大量的训练样本数据和深层复杂的网络结构，还可能会导致过拟合的现象产生，存在一定局限性。但越来越多的机器学习研究者们对神经网络进行了不断的改进和完善，出现了如以径向基函数为激活函数的广义回归神经网络（GRNN）、存在自身节点连接的循环神经网络（RNN）以及可以进行二维图像编码的卷积神经网络（CNN）等。

2012年，TAN等人利用一维IPMC流速传感器阵列预测二维平面内的偶极子源位置，在使用MLP网络的基础上，通过遗传算法的优化过程选择神经网络隐藏节点的数量，阵列能够定位至少1～2BL以外的源[72]。2013年，他们又在不同流体介质下研究单个IPMC传感器的流体动力学性能，利用最小二乘最小化法来估计悬臂梁的阻力系数，与实际测量值拟合较好[73]。2018年，ZHENG等人利用由9个压力传感器组成的三维十字形阵列和GRNN网络来预测偶极子源的位置，结果发现，水平与垂直方向的传感器对远距离和近距离源的定位精度不同，且增加数据采样间隔和减少使用的传感器数量并不能帮助提高定位精度[74]。2019年，LAKKAM等人将经典线性主成分分析（PCA）与人工神经网络结合起来，将数据映射到低维空间中，设计了一种可以识别单源和汇的分类器。并利用BOUFFANAIS等[61]得到的解析解，将障碍物的3个形状系数与流场流速、压力的关系进行训练，实现了准确的预测[75]。

LIU等人在2019年将AUV（见图4（a））上相邻分布的2个压力传感器测量值的差值构成一个可视化的压差矩阵，建立一个4层的CNN网络（见图4（f））来训练压差图像，结果表明CNN可以比当前时间提前2 s识别流场状态[76]。2019年，WOLF等人使用8个全光流量传感器组成的人工侧线，分别使用长–短期记忆网络（LSTM）和在线顺序极限学习机（OS-ELM）来预测二维平面内移动小球的位置（见图4（c））。结果表明，在62 cm×9.5 cm的区域内，2种神经网络的平均定位误差为0.72 cm和4.27 cm，且具有循环功能的LSTM网络受噪声的影响更小[77]。2020年，他们又在游泳池的实验环境下制作了3.5 m的大型人工侧线系统，并使用ELM网络提出了一种位置不变的特征提取方法，对5种不同形状的运动物体进行了形状识别，分类的F1分数达到了98.6%[78]。同年，利用2条平行的侧线系统来对流体速度进行采样，首先使用CNN网络估计偶极子源位置的二维概率图像，再用自动迭代三维感知算法，可以确定多个偶极子源在三维空间中的位置[79]。

由于流动的周期性以及环境噪声的干扰，传感器获得的信号经常无法直接用作预测模型的输入，而需要通过滤波等信号处理方式进行特征提取，通过分离和加入噪声信号来测试模型的鲁棒性，才能达到较为理想的效果。西安交通大学的胡桥等人通过经验模态分解（EMD）方法对人工侧线系统接收到的原始信号进行不同的内在模函数（IMFs）分解，将目标信号与干扰信号分离，并从IMFs中提取不同振动目标的特征频率，最后将频率谱输入到SVM中实现了水下运动目标的智能方向识别，结果表明，与普通的傅里叶滤波和神经网络等传统方法相比具有更好的检测性能[80]。2022年，他们采用粒子群优化（PSO）算法对运动的偶极子源轨迹进行跟踪，然后利用卡尔曼滤波（KF）和粒子滤波（PF）等滤波器对跟踪轨迹进行了优化。结果表明：PSO算法对矩形轨迹的平均误差距离（MED）为12.51 mm，PF的优化性能优于KF，MED达到7.064 mm[81]。同年，他们又采用4种联合时频分析（JTFA）方法将原始信号转换为频域和时域，并将结果输入到CNN模型中来识别偶极子的运动模式和位置，识别率和误差分别达到了99.93%和2.134 mm[82]。

4 总结与展望

声学、光学等水下探测技术在复杂海域下近场感知的局限性已逐渐显现，研究人员以鱼类侧线和海豹胡须等敏感器官的原理为依据，制作了可以准确测量局部流速和压力梯度的仿生流场传感器，再结合理论建模与机器学习等方法，实现了流场特征以及水下目标物的位置与运动状态的识别和预测。在水下探测领域内具有重要的发展前景，且未来可以考虑将该方法融合到自主水下航行器和水下滑翔机等装备的探测系统当中去[83-84]。本文概述了基于不同原理设计的仿生流场传感器和水下流场水动力探测方法的研究进展。目前已取得了很多研究成果，但距离实际工程应用上还存在一定距离。下面是对相关研究中关键问题的分析以及未来展望。

1）仿生流场传感器性能。

目前用于仿生流场探测的传感器类型多以悬臂梁式流速传感器和压力传感器为主，但悬臂梁式流速传感器通过流体对纤毛的扰动来进行物理量转换，需要严格和复杂的标定和校准过程，否则会影响传感器的精度；压力传感器在较深水域内使用时，受到水深静压的影响非常大，对传感器的灵敏度要求极高。在未来的研究中，可以考虑壁面剪应力传感器来弥补流速和压力传感器的缺陷。在新型材料不断发展的过程中，选择高灵敏度、力学性能优良、化学性质稳定、防冲击和变形能力强以及适应复杂流体环境下的材料来制作传感器原件。除此之外，通过传感器–模数转换器–数据采集卡等部件的集成化也可以减小数据的丢失和失真，并提高了传感器的信号处理能力。

2）传感器阵列布局优化。

现有的人工侧线传感器阵列布置较为简单且传感器数量较少，一般以一维线阵列和二维网格阵列为主，而真实的鱼类侧线神经丘的布局是非常复杂的。目前部分研究者们通过贝叶斯估计、方差分析和神经网络等方法研究了一些传感器布局的优化[85-88]，且大多针对某一特定目标如预测误差、噪声鲁棒性等对传感器数量或间距进行优化。未来可以考虑综合多目标优化策略，加入传感器间距和灵敏度之间关系的分析。在布局维度方面，可以扩充至二维面阵列甚至三维空间阵列上。

3）水下探测环境的流场复杂性。

目前的水下探测研究的环境，无论是数值模拟还是实物实验方法，都是以实验室条件下的水槽内探测为主，传感器阵列载体的尺寸较小、运动方式简单，且水流环境稳定，流场类型简单。对于探测目标物来说，目标物形状比较规则，目标物与载体之间的探测距离也较短。在改变探测距离、目标物形状以扩充神经网络训练的样本时，距离样本的范围多以二维平面为主，且探测区域面积较小；形状识别上也多以分类器为主，样本标签的种类较少，且数据量也不够大。随着传感器性能的不断提高，未来需要进行大量的室外如河道、湖泊和近海等自然环境下的探测实验，并以真实的水下障碍物或游动的鱼类等作为探测的目标，增大训练样本的数据量，以达到提高预测模型泛化能力的目的，或将人工噪声信号融合在输入信号中，以提高预测模型的噪声鲁棒性，使研究成果具有更大的工程上的意义。随着人工智能的发展和计算机性能的进一步提高，应寻求更为深层的神经网络模型对流场水动力特征进行学习，可以考虑结合数值模拟和实验方法，采用数据融合的方式来解决成本问题，提高模型的预测性能。

5 结束语

水下仿生流场探测技术涉及仿生学、机械、材料和流体力学等众多学科与领域，克服了现有技术在水下复杂环境中近场感知的局限性，具有很高的研究价值和工程应用前景。本文首先对水下探测技术的研究现状做了简单的总结，主要介绍了水下生物流场探测的原理、基于不同原理设计的仿生流场传感器的研究进展，以及基于理论建模与机器学习的水动力流场探测方法的研究进展。最后，总结了水下仿生流场探测工作中亟需解决的关键问题：仿生传感器性能、传感器阵列布局优化和水下探测环境和方法。在未来，水下仿生流场探测研究有望向着高性能、强稳定性、大数据、真实水域和数据融合方向发展。