水下仿生流場探測技術研究進展

包 藝，張慶輝，劉勇鋒，李廣華，張 淼，陳效鵬，杜 鵬，*

（1.西北工業(yè)大學 航海學院，陜西 西安 710072；2.山西平陽重工機械有限責任公司，山西 侯馬 043099；3.國網(wǎng)淮北供電公司，安徽 淮北 235000；4.河南省水下智能裝備重點實驗室，河南 鄭州 450015）

0 引言

海洋是地球上重要的生態(tài)系統(tǒng)，是軍事上寸土必爭的戰(zhàn)略要地，同時，海上運輸也是當今全球最重要的交通運輸方式。人類對海洋的探索從未停止，深海探測、深海資源挖掘、海洋生態(tài)保護，以及水下追蹤、隱身等技術已經(jīng)成為目前國際上研究的熱點。隨著我國“海洋強國”戰(zhàn)略的提出，國內對水下探測技術與海洋探測裝備的研究變得越來越重視。

水下探測技術的發(fā)展經(jīng)歷了一個漫長的演變過程。早期嘗試使用光波進行探測，但對于深海區(qū)域，光線難以到達，且易發(fā)生衰減和散射，導致水下影像變得模糊，影響高質量水下目標圖像的獲取[1]。隨著近代水聲學的發(fā)展，聲吶技術成為了重要的探測方式，聲學信號在深海區(qū)域內具有衰減程度小、傳播距離遠等優(yōu)點[2]。但由于潛艇降噪技術、消聲和隔振技術等聲隱身技術的發(fā)展和復雜海洋條件對水下聲傳播的制約，聲學探測技術正面臨著威脅和挑戰(zhàn)[3]。除了光學探測、聲學探測以外，水下探測的方法還包括磁異探測、紅外探測、激光探測、合成孔徑雷達探測等[4]。

除了上述典型的水下探測方法外，海洋生物的生理結構與行為特征能為研究者們提供靈感。研究發(fā)現(xiàn)，水生脊椎動物如魚類的側線器官可感受到水流流速、加速度、壓力和振動源，從而判斷獵物、天敵或障礙物的位置來做出應激反應[5]。海豹也可以利用它的胡須來感受獵物游動時產(chǎn)生的尾跡[6]。因此，仿照魚類側線和海豹胡須的探測原理，可根據(jù)目標尾跡的流場特性來識別和跟蹤物體[7]。水下目標的振動或平動會導致水動力尾跡的產(chǎn)生，當目標物離開尾跡產(chǎn)生的位置時，水動力尾跡不會馬上耗散掉，而是會持續(xù)存在一段時間，持續(xù)時間可能與目標物的大小和運動的速度有關，當其他水生生物經(jīng)過水動力尾跡的位置時，可通過該尾跡來判斷出目標的狀態(tài)信息[8]。

受此啟發(fā)，通過模仿水生生物的探測器官，研究者們按其原理，相繼制作出了仿生流場傳感器，用于水下流場探測。通過研制高精度和高靈敏度的傳感器獲取更為精準的水動力數(shù)據(jù)是當前主要的研究方向之一，但如何將水動力數(shù)據(jù)與目標物的尺寸、形狀、位置以及運動狀態(tài)建立聯(lián)系也是非常重要的。目前，越來越多的水下流場探測方法被相繼提出，其中包括機器學習方法，由于其具備能夠有效地尋找高非線性度、高維度的映射關系，且時效性強、精準度高、易于實現(xiàn)等優(yōu)點，受到研究者們的廣泛青睞。相比目前較為常用的如光學和聲學等水下探測技術，結合了仿生流場傳感器與機器學習等方法的仿生流場探測技術，克服了信號的衰減、噪聲和天氣等因素的影響，且為被動探測技術，可將探測系統(tǒng)集成在水下航行器上，并進行長時間探測，隱蔽性強，可以彌補現(xiàn)有水下探測技術在復雜海域下近場感知的缺陷。本文以水下仿生流場探測為主題，介紹了典型的水下探測技術研究現(xiàn)狀，并陳述了國內外仿生流場傳感器與流場水動力探測方法的研究進展。

1 典型水下探測技術研究現(xiàn)狀

目前，典型的水下探測技術是通過不同物理手段，向水下主動發(fā)送信號或被動接收信號，從而通過觀測水下聲場、溫度場、光場、磁場等物理場來進行探測的。現(xiàn)代常用的水下探測技術有聲學探測、紅外探測、磁異探測、激光探測與合成孔徑雷達探測技術。

1.1 聲學探測技術

水下目標的聲學探測是目前主要的探測手段，主要包括聲吶、聲制導以及網(wǎng)絡化水聲探測等。探測模式可分為主動探測和被動探測。目前，聲吶的工作頻率逐步向低頻、寬帶和大功率方向發(fā)展，定位精度、探測距離和智能化識別功能不斷提高[3]。多波束測深聲吶、側掃聲吶、淺地層剖面儀和合成孔徑聲吶是近幾十年來快速發(fā)展的海底聲學探測高新技術裝備[9]。

典型的裝備有挪威EM122型深水多波束聲吶、美國AN/BQS-5D型寬孔徑低頻被動聲吶、英國2087型低頻主動聲吶等[3]。其中，挪威EM122型深水多波束聲吶的最大測深達11 000 m，單次可發(fā)射576個波束，最大覆蓋寬度為43 km，最小波束角寬為0.5°×1°[10]。由浙江大學和國家海洋局共同研制的我國第1臺深水多波束聲吶的最大探測距離為11 km[11]。

水下聲學探測具有探測距離遠、傳播損失小且可多目標同時定位等優(yōu)勢，但存在多路徑效應以及混響干擾、海洋環(huán)境噪聲和自噪聲等干擾因素，且聲音在淺水區(qū)的傳播非常不穩(wěn)定。同時，降噪、消聲和隔振等技術的發(fā)展使得聲學探測面臨著巨大挑戰(zhàn)。

1.2 紅外探測技術

紅外探測技術是使用紅外探測器來識別水下潛體產(chǎn)生并浮升的熱尾流。潛體在航行過程中，由于其冷卻系統(tǒng)放出的溫熱海水以及螺旋槳打水和運動時對海水的沖擊摩擦等因素，導致潛體后部產(chǎn)生熱尾流。由于熱尾流的密度比附近的海水小，當熱尾流逐漸上浮到水面，即可被機載紅外探測儀識別出來[12]。

目前，國內對熱尾流特征的分析以及紅外圖像的獲取方法進行了大量研究。海軍工程大學的張士成等利用射線跟蹤法探測了海面上的紅外圖像，并發(fā)現(xiàn)了潛體低速航行時的橫波特征與高速航行時的縱波特征[13]。哈爾濱工業(yè)大學的王好賢等對熱尾流進行了仿真，通過分析尾跡的溫度分布的離散程度來區(qū)分水下和水面目標[14]。國防科技大學的楊衛(wèi)平等通過縮比實驗進行紅外探測系統(tǒng)成像，發(fā)現(xiàn)利用區(qū)域灰度值均值和均方差大小可探測出潛體的水面尾跡[15]。

紅外探測技術具有觀測范圍大、抗電子干擾強、隱蔽性好且成像分辨率高等優(yōu)點[12]，但易受環(huán)境溫度與雜質等影響。

1.3 磁異探測技術

磁異探測是利用水下航行體本身的磁場特性與地球磁場的差異而導致周圍水域的磁場特性也隨之發(fā)生改變的特點來進行探測的[16]。美國研發(fā)的AN/ASQ-81(V)4氦跟蹤式光泵磁探儀，以18.5～225.3 km/h的速度提供了理論最大探測距離，可達1 000 m[17]。

磁場是水下目標探測中所利用的重要物理信號之一，其水層穿透性強且不易受海洋環(huán)境干擾[18]。但是天氣因素如雨、霧、低云等對磁異探測影響很大，且有效探測范圍較小，只能用于鐵磁目標。

1.4 激光探測技術

DUENTLEY等人在1963年發(fā)現(xiàn)，在不同波長的電磁波中，波長為0.47～0.58 μm的藍綠激光在海水中的傳播損失最小[19]，適用于水下探測。在激光雷達向目標發(fā)射激光后，會接收到從物體反射的回波信號，根據(jù)不同目標的特點，回波信號的強度也會不同。機載激光雷達可進行實時監(jiān)測，每小時的探測面積可達幾百平方千米，最大探測深度可達幾十米[20]。

典型的激光水下探測系統(tǒng)有俄羅斯“紫石英”系統(tǒng)、美國“魔燈”系統(tǒng)、美國SHOALS系統(tǒng)等。其中，“紫石英”系統(tǒng)的最大探測深度為45 m，搜索寬度為900 mm，飛行高度為200 m，飛行速度為200 kn[20]。

激光探測技術具有探測面積大、精度高、實時性好等優(yōu)點，但對于海水對光線的吸收和散射作用導致的成像模糊的問題仍待解決。

1.5 合成孔徑雷達探測技術

機載或星載的合成孔徑雷達（SAR）可以探測到水面與水下航行體的水動力尾跡，包括開爾文尾跡、伯努利水丘、內波尾跡、渦尾跡、湍流尾跡等[21]。其通過載體的勻速運動可獲得一個大孔徑回波的效果，從而取得較高的分辨率。SAR的成像亮度取決于目標的后向反射信號的強度，這與物體表面的粗糙度、含水量、介電常數(shù)等因素有關[22]。表面粗糙度越大，后向散射強度越大，灰度圖也越亮。美國的星載SAR在0.006 s的時間內可以生成一副覆蓋范圍達1 000 km2、分辨能力為3 m的圖像[17]。

SAR技術受天氣影響較小，具有高分辨率和高精度，能夠檢測到水下地形和目標物的微小變化和細節(jié)。但是成像時間長，需要多次掃描和處理，對設備的技術要求比較高。

2 仿生流場傳感器研究進展

水下生物具有對水流極為敏感的感受器官，如魚類側線與海豹胡須，通過神經(jīng)系統(tǒng)的處理后做出相應反應，即可完成捕食、避障、集群等行為。其獨特的生理結構與感知原理也被研究者們深入探索，并作為仿生流場傳感器研制的重要依據(jù)。

魚類的側線器官（Lateral Line）分布在魚頭和魚身的側面，其表面布滿感知水動力刺激的感知細胞——神經(jīng)丘，根據(jù)分布位置與感知功能的不同，可分為體表神經(jīng)丘（Superficial Nerve，SN）和側線管神經(jīng)丘（Canal Nerve，CN）[23]（見圖1）。體表神經(jīng)丘的結構包括膠質頂層、感知纖毛、感知細胞和神經(jīng)中樞，當附近有運動物體通過時，水波使得膠質頂層受到作用力，膠質頂層會帶動纖毛一起擺動，并開啟離子轉導通道，將刺激信號傳向神經(jīng)中樞[24]。這樣類似懸臂梁的結構，能夠幫助魚類感知水流的流向與流速。管神經(jīng)丘的結構包括外孔、側線管、神經(jīng)丘核神經(jīng)中樞。外界的水流可以從外孔進出側線管，能夠感知側線管內外的壓強梯度[25]。

鰭足類生物（如海豹和海獅等）能利用它們的高度敏感的胡須感受魚類運動產(chǎn)生的水動力尾跡，并且在渾濁和黑暗的海域進行捕獵或追蹤領航者的尾跡[26-28]。胡須通過毛囊竇復合體（Follicular Sinus Complex，F(xiàn)SC）附著在動物的面部，該毛囊結構中含有將觸須信號傳遞給神經(jīng)系統(tǒng)的機械感受器[29]（見圖2（a））。經(jīng)研究發(fā)現(xiàn)，海豹的胡須結構呈具有起伏度的波浪狀[30]（見圖2（b）），該結構特點可以增強它們的感知能力，如擁有起伏橢圓截面胡須的港海豹具有比擁有普通橢圓截面胡須的加利福尼亞海獅更強的尾跡追蹤能力[31]。

圖2 海豹胡須幾何特征與結構Fig.2 Geometric characteristics and structures of seal whiskers

仿照水生生物的流場感知器官的結構，研究者們根據(jù)魚類側線的體表神經(jīng)丘、管道神經(jīng)丘以及海豹的波浪狀胡須結構的原理，采用新型材料與微機械加工（MEMS）技術，研制出了可以檢測水流局部流速與壓力梯度的流場傳感器。以此為單元可組合為人工側線傳感器陣列，進行水下探測與定位等研究。本章介紹現(xiàn)有的流場傳感器研究進展，根據(jù)感知原理不同，可分為：壓阻式、壓電式、電容式、光學式和熱線式，部分流場傳感器如圖3所示。

圖3 基于不同原理的仿生流場傳感器Fig.3 Bionic flow field sensors based on different principles

2.1 壓阻式

傳感器的壓阻效應是由壓力帶來敏感元件變形并使其電阻值發(fā)生變化，通過外部電路的轉換，以電信號的形式顯示出來。其核心部件是類似懸臂梁結構的人工纖毛，在局部水流的作用下會發(fā)生偏轉，從而導致壓阻元件兩端的阻值發(fā)生改變，通過電橋顯示出電阻的阻值即可間接測量出局部流場的流速或壓力梯度。

2002年，F(xiàn)AN等人使用塑性變形磁組裝工藝（Plastic Deformation Magnetic Assembly，PDMA）設計了第1個纖毛流動傳感器（見圖3（a））。該傳感器可檢測0.1～1 m/s范圍內的層流流動[32]。2008年，MCCONNEY等人使用滴注法制作了一個帶高長徑比的水凝膠蓋（聚乙二醇）的纖毛流動傳感器，靈敏度增強了大約2個數(shù)量級，達到了2.5 V/(μm/s)[33]。

研究者們還通過對傳感器材料與結構進行改進，來提高流速與壓強的檢測閾值。QUALTIERI等人先后采用氮化鋁和多層Si/Si3N2結構的懸臂梁，加上鎳鉻合金纖毛（80/20）和AIN/Mo壓敏電阻來制作傳感器，提高了對流動方向的敏感性，壓強檢測閾值為2.5 kPa[34-35]。KOTTAPALLI等人采用液晶聚合膜（Liquid Crystal Polymer，LCP）、應變計和Si-60纖毛組成新式傳感器，可用于高溫高壓環(huán)境，靈敏度高，在空氣和水中的檢測閾值分別為0.1 m/s和15 mm/s[36]。隨后他們在纖毛周圍創(chuàng)建了一些金字塔型納米纖維結構（見圖3（b）），并將水凝膠澆鑄在納米纖維上以增強傳感器的靈敏度[37]。TAN等人將離子聚合物材料（IPMC）傳感器嵌入到充滿粘性流體的魚外形管道內（見圖3（e）），通過管道在流場內的偏轉來捕獲管道孔隙之間的壓力差[38]。GUO等人仿照魚類側線體表神經(jīng)丘的結構，設計了一種纖毛組織由一簇呈階梯狀排布的微柱的傳感器，可檢測出流體流動方向，并表明了水凝膠帽的加入可使傳感器靈敏度提高107%[39]。

2012年，ALVARADO等人基于海豹胡須的FSC模型，將人造胡須安裝在柔性膜上，通過圍繞在圓柱形頭部安裝的柔性位移傳感器來測量胡須在2個正交平面中的樞轉運動，實驗結果表明測量值振幅取決于流體速度的瞬時或穩(wěn)定變化[29]。2015年，BEEM等人仿照海豹胡須的波浪狀結構，設計了一種晶須模型（見圖3（f）），其基部安裝在撓曲板上從而允許模型在順向和橫向流動方向上自由振動，并將板的偏轉信號通過應變計和惠斯通電橋輸出為電壓信號，發(fā)現(xiàn)了晶須的響應頻率與上游圓柱尾流的斯特勞哈爾頻率一致[40]。

單個傳感器往往無法實現(xiàn)很強的功能，研究者們將傳感器以陣列的形式組合起來，可有效提高其檢測能力和精準度。JIANG等人在管道中布置纖毛流動傳感器（見圖3（c））來檢測振動偶極子源，當偶極子振動頻率為115 Hz時，傳感器陣列的壓強梯度檢測閾值為11 Pa/m[41]。FERNANDEZ等人使用數(shù)百個傳感器組成的陣列來檢測圓柱形障礙物，壓強檢測閾值為1 Pa，經(jīng)簡化后由4個傳感器組成的中心距為15 mm的一維傳感器陣列的壓強檢測閾值就可達到1.5 Pa[42-43]。2022年，王森等人將利用3D打印技術制作的海豹胡須模型組成二維陣列，實現(xiàn)了目標尾流特征的測量，研究發(fā)現(xiàn)，胡須模型升力系數(shù)的主頻與尾流漩渦脫落頻率理論值的一致性較好，且胡須夾角的大小會影響傳感器渦激振動的產(chǎn)生[44]。

壓阻式傳感器具有靈敏度高、頻率響應高、穩(wěn)定性好以及體積小、耗電少等性能優(yōu)點，且制作工藝成熟，集成化水平高、商業(yè)化程度高，是研究者們較多選擇的用來進行流場檢測的傳感器。但它易受到溫度變化的影響，在溫度補償、防蠕變、防水性等方面的要求都非常高，有待進一步強化。

2.2 壓電式

傳感器的壓電效應是由于材料受到外力作用時能在材料中產(chǎn)生電場（表面產(chǎn)生電荷），當外力除去時，又能重新恢復到不帶電的狀態(tài)。2013年，ASADNIA等人設計并制作了壓電式流場傳感器陣列來檢測偶極子源振蕩，流速檢測上的分辨率為3 mm/s[45]。在后續(xù)的優(yōu)化過程中，他們首先將聚合物纖毛安裝在帶有浮動電極Pb(Zr0.52Ti0.48)O3微隔膜上（見圖3（d）），靈敏度為22 mV/(mm/s)，流速檢測分辨率達到了8.2 μm/s[46]。隨后他們又將由聚二甲基硅氧烷（PDMS）與聚偏氟乙烯（PVDF）壓電納米纖維制成的纖毛束，用圓頂形水凝膠殼斗包裹起來（見圖3（h）），靈敏度達300 mV/(mm/s)，流速分辨率達到了8 μm/s[47]。

隨著新型材料的研制，壓電式流場傳感器的壓電性能得到了不斷提高。HU等人采用極化聚偏乙烯–三氟乙烯[P(VDF-TrFE)]/鈦酸鋇（BTO）靜電紡絲納米纖維墊作為傳感層，帶有圓形腔陣列的聚亞酰胺（PI）薄膜作為襯底，聚甲基丙烯酸甲酯（PMMA）柱體作為纖毛，流速檢測閾值達0.23 mm/s[48]。TAN等人同樣采用聚偏氟乙烯（PVDF）薄膜作為壓電傳感元件，分析了4種不同形狀的人工錐體結構對傳感性能的影響[49]。

壓電式傳感器具備結構簡單、性能穩(wěn)定、線性度好、頻帶響應寬、信噪比高、工作可靠等優(yōu)點。但其對壓電材料的要求較高，在水下測量時，應提高防水性以及防沖擊性來保護壓電元件不被破壞。

2.3 電容式

電容式流場傳感器的關鍵部件是可變電容器，可通過局部流場的激勵帶來電容器極板距離與有效面積的改變，從而轉變?yōu)殡娙荽笮〉淖兓?007年，KRIJNEN等人將附著在氮化硅薄膜上的SU-8纖毛陣列與電容器組裝在一起，在局部流體的沖擊作用在纖毛上時，電容電極之間的間隙會發(fā)生改變，通過檢測電容的大小可轉換為流體的流速值。該傳感器在探測氣流時的靈敏度為1.39 pF/rad[50]。2010年，STOCKING等人仿照海豹胡須結構開發(fā)了一種剛性人造晶須式流場傳感器，安裝在裝有電容器的底座上（見圖3（g）），可用于檢測流體的流速和流動方向，檢測范圍為0.1～1 m/s，輸出信號閾值為1 pf[51]。

電容式傳感器具有靈敏度高、耐高溫、耐輻射、動態(tài)響應特性好、功耗低等優(yōu)點。但其輸出阻抗高，因而負載能力小，在環(huán)境干擾的影響下易出現(xiàn)不穩(wěn)定現(xiàn)象，且電子線路和周圍導體構成的寄生電容會影響測量的精確度。

2.4 光學式

光學式流場傳感器是通過發(fā)光二極管、光柵等光學器件捕捉纖毛結構在水中的偏轉，并將光信號轉變?yōu)殡娦盘栞敵鰜肀碚魉髁魉佟?011年，KLEIN等人開發(fā)出了一種由透明硅棒與紅外發(fā)光二極管組成的光學傳感器，可用于檢測由振動球體或上游圓柱體引起的渦旋流動，速度檢測閾值為100 μm/s[52]。GROBE和HENDRIK都采用聚二烷（PDMS）薄片制作柔性微柱，在局部流動的作用下，微柱受到壓力而彎曲，通過光障原理對它的擾度進行測量[53-54]。2018年，WOLF等人提出了一種刻有布拉格光柵的人工纖毛光學傳感器，纖毛一端連有塑性球體（見圖3（i）），光柵可以反映球體受到的流體作用力的大小，該傳感器在低頻時流速檢測閾值為5 μm/s，且可以檢測到幾度范圍內的流動方向[55]。2021年，李冰等人根據(jù)海豹胡須的仿生學原理，制作了一種可用于應力與折射率測量的新型光纖傳感器，應力測量靈敏度可達7.00 pm/με，折射率測量靈敏度可達55.223 mm/RIU，均具有很好的線性擬合效果[56]。

光學流速傳感器通過外接設備來捕捉光信號的方式來測量流速，省去了傳感器內部復雜的電路和模數(shù)轉換過程，且具有靈敏度高、動態(tài)范圍寬等優(yōu)點。但在實際水下探測過程中難以實現(xiàn)光學信號的獲取，且易發(fā)生散射、反射以及受到其它光源的影響。

2.5 熱線式

熱線風速計（HWA）是一種常用的用來測量流體流速的儀器。當空氣或水流流經(jīng)內部的熱線金屬絲時，由熱對流導致的熱量損失會使熱線的溫度和電阻值發(fā)生變化，從而可以通過測量阻值來間接測量流動速度。YANG等人利用熱線原理開發(fā)了一種傳感器陣列，在平板上印刷電路，并通過三維磁性組裝技術將熱線安裝在平板外部（見圖3（j））。該傳感器可以監(jiān)測振動偶極子源在1 kHz采樣時速度檢測閾值為0.2 mm/s[57-58]。

熱線式傳感器廣泛應用在空氣流量的測量應用中，具有精度高、響應速度快、結構簡單等特點。但由于防水性能的影響，該類傳感器還未在水下流速測量中得到很好的應用。

3 流場水動力探測方法研究進展

近些年來，國內外研究者們不斷探索如何利用流場的水動力信息，如流速和壓差等，對水中目標物的位置、形狀以及大小進行識別和預測。運動目標物產(chǎn)生的流場，通常用小球振動模擬的偶極子源流場和障礙物繞流流場來進行近似代替，符合實際海域中魚類尾部拍打水面和固定或運動物體繞流的情況。并通過數(shù)值模擬和實驗相結合的方法，尋找水動力信息與目標狀態(tài)參數(shù)之間的映射關系。該方法彌補了聲學和光學方法在水下復雜流體環(huán)境中近場感知的缺陷，具有很重要的研究前景。根據(jù)流場水動力探測方法的研究歷程，本章將從理論建模和機器學習方面的研究進展進行介紹，部分方法的系統(tǒng)和結構如圖4所示。

3.1 基于理論建模的流場水動力探測方法

為了仿照魚類側線體表神經(jīng)丘和管神經(jīng)丘對對流場流速與壓力的敏感性，研究者們試圖利用傳感器捕捉的流場信息建立水動力特點與目標位置信息的數(shù)學模型，并保證更多的實驗結果數(shù)據(jù)與模型的擬合程度越來越高。

2006年，格羅寧根大學的BRANISLAVA等人利用電生理學，對魚類沿側線分布的壓力梯度激勵模式在空間特征中進行線性編碼。發(fā)現(xiàn)側線管內的神經(jīng)纖維的位移與側線沿線的局部壓力梯度成正比，且激勵模式可分解為偶數(shù)和奇數(shù)2個小波[59]。同年，Pandya等人利用MEMS熱線流量傳感器陣列進行了水下運動偶極子源軌跡的追蹤實驗，使用最小均方誤差算法和經(jīng)驗數(shù)據(jù)提出了2種方法，即混合高斯模型擬合的建模方法與模板訓練法，成功預測了偶極子源的位置[60]。BOUFFANAIS等人在2010年提出了一種基于保角映射和歸一化過程對障礙物的大小、位置和形狀進行編碼的方法，編碼序列體現(xiàn)了通過壓力傳感進行流體動力學成像的漸進特征，并推導出了障礙物形狀表示參數(shù)的解析解[61]。YANG等人開發(fā)了一種分布在半圓柱體表面上的MEMS制作的流速傳感器十字形陣列（見圖4（b），圖中黃色圓盤代表傳感器；數(shù)字代表傳感器編號；紅線代表每個傳感器的主軸方向），利用波束形成算法將每個傳感器得到信號進行三維流體動力學成像，通過觀察能量圖案的峰值成功預測了偶極子源的位置[62]。

2012年，REN等人針對魚形模型周圍的卡門渦街勢流流場，采用伯努利方程計算魚身表面上的壓力分布，利用外部已知流場可通過一對連續(xù)孔之間的壓力梯度求得魚身內部流場的解析解。研究結果表明，渦街的主要特征如大小、移速、間距和魚身的夾角等都可通過測量渦街沿著魚形模型的速度分布隨時間的變化來重現(xiàn)[63]。ROBERTO等人設計了一種搭載平行壓力傳感器陣列的U形平臺對均勻流和卡門渦街進行局部測量，通過分析傳感器測量中存在的波動幅度和檢測相同主導頻率的傳感器數(shù)量，能夠區(qū)分這2種流場的類別，并確定平臺相對于來流和卡門渦街中心軸的方向和位置[64]。2015年，LEVI等人將IPMC流速傳感器與嵌入式壓力傳感器同時搭載在翼型水下航行器上，利用流速傳感器測量值與局部流速分量的密切關系來建立合理的非線性估計策略，以估計自由流流速、航行器攻角與上游障礙物的相對位置，壓力傳感器可測量兩側壓差以校準流速傳感器和調整航行器姿態(tài)[65]。

由于理論建模方法忽略了流體粘性，以及在實際實驗室和工程應用上會產(chǎn)生的外界環(huán)境干擾噪聲的影響，其理想情況下得到的解析解往往無法直接運用在實際探測當中去，僅可作為理論指導，具有很大的局限性。

3.2 基于機器學習的流場水動力探測方法

實際的水下流場探測環(huán)境是非常復雜的，其它流場干擾、溫度和鹽度的變化以及水下顆粒物等因素都會降低傳感器測量值的準確度，且人工側線獲得的水動力特征與目標物狀態(tài)參數(shù)之間存在著高維數(shù)和高非線性關系，對預測模型的噪聲魯棒性要求極高。越來越多的研究者們開始利用機器學習方法來解決上述問題，通過大量數(shù)據(jù)來訓練模型，不斷提高其泛化能力，其準確性和高效性也逐漸顯現(xiàn)出來。

1）神經(jīng)網(wǎng)絡是機器學習方法中較為簡單且最常用的方法，其基本單元為神經(jīng)元，可以將帶有權重的輸入信號與其本身的閾值進行線性組合，并經(jīng)過激活函數(shù)的非線性處理后輸出。神經(jīng)元按層排布，層與層之間的神經(jīng)元兩兩連接，從輸入層到隱含層到輸出層，即可組成多層感知機（MLP）神經(jīng)網(wǎng)絡。該神經(jīng)網(wǎng)絡常用誤差逆?zhèn)鞑ィ˙ackpropagation，BP）算法進行訓練優(yōu)化，即沿著輸出值與真實值的均方誤差（MSE）等誤差標準的逆向梯度方向尋找最小值，來更新整個網(wǎng)絡的權值與閾值。

2012年，ABDULSADDA等人利用MLP網(wǎng)絡，在1BL（身長）的傳感器陣列前方2BL×BL區(qū)域內預測運動偶極子源位置，平均預測誤差為1.5% BL[66]。2013年，他們在樣本數(shù)據(jù)中加入了噪聲，使信噪比達到30 dB，成功預測了目標圓柱的位置[67]。2017年，MAURICIO等人通過二維格子玻爾茲曼方法對管道中的障礙物繞流流場進行了數(shù)值模擬，采用MLP網(wǎng)絡對尾跡流場中的動態(tài)壓力與水平速度分量進行訓練來預測障礙物的位置。研究發(fā)現(xiàn)，在小直徑障礙物尺寸和管道邊緣區(qū)域處的預測精度較低[68]。

2018年，LIU等人將壓力傳感器陣列布置在回轉體水下航行器（AUV）的側線上，利用數(shù)值模擬方法研究了AUV在振動源位置、頻率和振幅方面的壓力影響機制，并通過水槽實驗進行了驗證。采用簡單的線性回歸神經(jīng)網(wǎng)絡對以上參數(shù)進行了識別[69]。同年，又采用MLP網(wǎng)絡對目標障礙物中圓形和方形2種形狀進行了分類識別，準確率分別達到了98.9%和95.3%[70]。2020年，MOHAMED等人利用在空間分布的光纖人工觸須傳感器來測量圓柱繞流尾跡流場的流速（見圖4（d）），通過2個MLP網(wǎng)絡（見圖4（e））分別預測不同圓柱位置的橫坐標和縱坐標，在雷諾數(shù)為6 000的流場中達到了平均誤差小于圓柱直徑的效果[71]。

2）常規(guī)的MLP網(wǎng)絡由于每一層神經(jīng)元之間采用全連接的方式，導致計算與時間成本較高，且若想預測高維度和高非線性度的映射關系，需要大量的訓練樣本數(shù)據(jù)和深層復雜的網(wǎng)絡結構，還可能會導致過擬合的現(xiàn)象產(chǎn)生，存在一定局限性。但越來越多的機器學習研究者們對神經(jīng)網(wǎng)絡進行了不斷的改進和完善，出現(xiàn)了如以徑向基函數(shù)為激活函數(shù)的廣義回歸神經(jīng)網(wǎng)絡（GRNN）、存在自身節(jié)點連接的循環(huán)神經(jīng)網(wǎng)絡（RNN）以及可以進行二維圖像編碼的卷積神經(jīng)網(wǎng)絡（CNN）等。

2012年，TAN等人利用一維IPMC流速傳感器陣列預測二維平面內的偶極子源位置，在使用MLP網(wǎng)絡的基礎上，通過遺傳算法的優(yōu)化過程選擇神經(jīng)網(wǎng)絡隱藏節(jié)點的數(shù)量，陣列能夠定位至少1～2BL以外的源[72]。2013年，他們又在不同流體介質下研究單個IPMC傳感器的流體動力學性能，利用最小二乘最小化法來估計懸臂梁的阻力系數(shù)，與實際測量值擬合較好[73]。2018年，ZHENG等人利用由9個壓力傳感器組成的三維十字形陣列和GRNN網(wǎng)絡來預測偶極子源的位置，結果發(fā)現(xiàn)，水平與垂直方向的傳感器對遠距離和近距離源的定位精度不同，且增加數(shù)據(jù)采樣間隔和減少使用的傳感器數(shù)量并不能幫助提高定位精度[74]。2019年，LAKKAM等人將經(jīng)典線性主成分分析（PCA）與人工神經(jīng)網(wǎng)絡結合起來，將數(shù)據(jù)映射到低維空間中，設計了一種可以識別單源和匯的分類器。并利用BOUFFANAIS等[61]得到的解析解，將障礙物的3個形狀系數(shù)與流場流速、壓力的關系進行訓練，實現(xiàn)了準確的預測[75]。

LIU等人在2019年將AUV（見圖4（a））上相鄰分布的2個壓力傳感器測量值的差值構成一個可視化的壓差矩陣，建立一個4層的CNN網(wǎng)絡（見圖4（f））來訓練壓差圖像，結果表明CNN可以比當前時間提前2 s識別流場狀態(tài)[76]。2019年，WOLF等人使用8個全光流量傳感器組成的人工側線，分別使用長–短期記憶網(wǎng)絡（LSTM）和在線順序極限學習機（OS-ELM）來預測二維平面內移動小球的位置（見圖4（c））。結果表明，在62 cm×9.5 cm的區(qū)域內，2種神經(jīng)網(wǎng)絡的平均定位誤差為0.72 cm和4.27 cm，且具有循環(huán)功能的LSTM網(wǎng)絡受噪聲的影響更小[77]。2020年，他們又在游泳池的實驗環(huán)境下制作了3.5 m的大型人工側線系統(tǒng)，并使用ELM網(wǎng)絡提出了一種位置不變的特征提取方法，對5種不同形狀的運動物體進行了形狀識別，分類的F1分數(shù)達到了98.6%[78]。同年，利用2條平行的側線系統(tǒng)來對流體速度進行采樣，首先使用CNN網(wǎng)絡估計偶極子源位置的二維概率圖像，再用自動迭代三維感知算法，可以確定多個偶極子源在三維空間中的位置[79]。

由于流動的周期性以及環(huán)境噪聲的干擾，傳感器獲得的信號經(jīng)常無法直接用作預測模型的輸入，而需要通過濾波等信號處理方式進行特征提取，通過分離和加入噪聲信號來測試模型的魯棒性，才能達到較為理想的效果。西安交通大學的胡橋等人通過經(jīng)驗模態(tài)分解（EMD）方法對人工側線系統(tǒng)接收到的原始信號進行不同的內在模函數(shù)（IMFs）分解，將目標信號與干擾信號分離，并從IMFs中提取不同振動目標的特征頻率，最后將頻率譜輸入到SVM中實現(xiàn)了水下運動目標的智能方向識別，結果表明，與普通的傅里葉濾波和神經(jīng)網(wǎng)絡等傳統(tǒng)方法相比具有更好的檢測性能[80]。2022年，他們采用粒子群優(yōu)化（PSO）算法對運動的偶極子源軌跡進行跟蹤，然后利用卡爾曼濾波（KF）和粒子濾波（PF）等濾波器對跟蹤軌跡進行了優(yōu)化。結果表明：PSO算法對矩形軌跡的平均誤差距離（MED）為12.51 mm，PF的優(yōu)化性能優(yōu)于KF，MED達到7.064 mm[81]。同年，他們又采用4種聯(lián)合時頻分析（JTFA）方法將原始信號轉換為頻域和時域，并將結果輸入到CNN模型中來識別偶極子的運動模式和位置，識別率和誤差分別達到了99.93%和2.134 mm[82]。

4 總結與展望

聲學、光學等水下探測技術在復雜海域下近場感知的局限性已逐漸顯現(xiàn)，研究人員以魚類側線和海豹胡須等敏感器官的原理為依據(jù)，制作了可以準確測量局部流速和壓力梯度的仿生流場傳感器，再結合理論建模與機器學習等方法，實現(xiàn)了流場特征以及水下目標物的位置與運動狀態(tài)的識別和預測。在水下探測領域內具有重要的發(fā)展前景，且未來可以考慮將該方法融合到自主水下航行器和水下滑翔機等裝備的探測系統(tǒng)當中去[83-84]。本文概述了基于不同原理設計的仿生流場傳感器和水下流場水動力探測方法的研究進展。目前已取得了很多研究成果，但距離實際工程應用上還存在一定距離。下面是對相關研究中關鍵問題的分析以及未來展望。

1）仿生流場傳感器性能。

目前用于仿生流場探測的傳感器類型多以懸臂梁式流速傳感器和壓力傳感器為主，但懸臂梁式流速傳感器通過流體對纖毛的擾動來進行物理量轉換，需要嚴格和復雜的標定和校準過程，否則會影響傳感器的精度；壓力傳感器在較深水域內使用時，受到水深靜壓的影響非常大，對傳感器的靈敏度要求極高。在未來的研究中，可以考慮壁面剪應力傳感器來彌補流速和壓力傳感器的缺陷。在新型材料不斷發(fā)展的過程中，選擇高靈敏度、力學性能優(yōu)良、化學性質穩(wěn)定、防沖擊和變形能力強以及適應復雜流體環(huán)境下的材料來制作傳感器原件。除此之外，通過傳感器–模數(shù)轉換器–數(shù)據(jù)采集卡等部件的集成化也可以減小數(shù)據(jù)的丟失和失真，并提高了傳感器的信號處理能力。

2）傳感器陣列布局優(yōu)化。

現(xiàn)有的人工側線傳感器陣列布置較為簡單且傳感器數(shù)量較少，一般以一維線陣列和二維網(wǎng)格陣列為主，而真實的魚類側線神經(jīng)丘的布局是非常復雜的。目前部分研究者們通過貝葉斯估計、方差分析和神經(jīng)網(wǎng)絡等方法研究了一些傳感器布局的優(yōu)化[85-88]，且大多針對某一特定目標如預測誤差、噪聲魯棒性等對傳感器數(shù)量或間距進行優(yōu)化。未來可以考慮綜合多目標優(yōu)化策略，加入傳感器間距和靈敏度之間關系的分析。在布局維度方面，可以擴充至二維面陣列甚至三維空間陣列上。

3）水下探測環(huán)境的流場復雜性。

目前的水下探測研究的環(huán)境，無論是數(shù)值模擬還是實物實驗方法，都是以實驗室條件下的水槽內探測為主，傳感器陣列載體的尺寸較小、運動方式簡單，且水流環(huán)境穩(wěn)定，流場類型簡單。對于探測目標物來說，目標物形狀比較規(guī)則，目標物與載體之間的探測距離也較短。在改變探測距離、目標物形狀以擴充神經(jīng)網(wǎng)絡訓練的樣本時，距離樣本的范圍多以二維平面為主，且探測區(qū)域面積較小；形狀識別上也多以分類器為主，樣本標簽的種類較少，且數(shù)據(jù)量也不夠大。隨著傳感器性能的不斷提高，未來需要進行大量的室外如河道、湖泊和近海等自然環(huán)境下的探測實驗，并以真實的水下障礙物或游動的魚類等作為探測的目標，增大訓練樣本的數(shù)據(jù)量，以達到提高預測模型泛化能力的目的，或將人工噪聲信號融合在輸入信號中，以提高預測模型的噪聲魯棒性，使研究成果具有更大的工程上的意義。隨著人工智能的發(fā)展和計算機性能的進一步提高，應尋求更為深層的神經(jīng)網(wǎng)絡模型對流場水動力特征進行學習，可以考慮結合數(shù)值模擬和實驗方法，采用數(shù)據(jù)融合的方式來解決成本問題，提高模型的預測性能。

5 結束語

水下仿生流場探測技術涉及仿生學、機械、材料和流體力學等眾多學科與領域，克服了現(xiàn)有技術在水下復雜環(huán)境中近場感知的局限性，具有很高的研究價值和工程應用前景。本文首先對水下探測技術的研究現(xiàn)狀做了簡單的總結，主要介紹了水下生物流場探測的原理、基于不同原理設計的仿生流場傳感器的研究進展，以及基于理論建模與機器學習的水動力流場探測方法的研究進展。最后，總結了水下仿生流場探測工作中亟需解決的關鍵問題：仿生傳感器性能、傳感器陣列布局優(yōu)化和水下探測環(huán)境和方法。在未來，水下仿生流場探測研究有望向著高性能、強穩(wěn)定性、大數(shù)據(jù)、真實水域和數(shù)據(jù)融合方向發(fā)展。