海底电缆磨损预测对海洋能源系统的安全运行与维护具有重要意义。化工海洋与生命学院2022级海洋技术专业本科生陈歆蕾，在导师卢青针副教授的指导下，共同创新性地提出一种融合Archard理论的多特征机器学习方法，通过引入动态磨损率与物理交互特征，实现了对电缆-海床界面磨损量的高精度预测，为海底电缆状态监测提供了新思路。近日，该研究成果形成的学术论文“Application of machine learning methods incorporating Archard model for wear prediction of submarine cables”在国际海洋工程领域权威期刊《Ocean Engineering》上发表，陈歆蕾同学为该论文第二作者、导师卢青针副教授为第一作者。

陈歆蕾同学在本科二年级时便加入卢青针副教授课题组。在导师的悉心指导下，她完整参与了从文献调研、模型构建、算法调试到论文撰写的全流程科研训练。在研究过程中，陈歆蕾同学主要承担了机器学习算法的调试优化、特征工程构建以及实验数据验证工作，并积极参与了理论模型与机器学习方法的融合创新研究。卢青针副教授为学生提供了从理论指导到技术实践的全方位支持，定期组织组会讨论并指导学生攻克了动态磨损率量化、多机制耦合建模等关键难题。在课题组浓厚的科研氛围和跨学科合作平台支持下，最终成功将研究成果发表于海洋工程领域顶级期刊。

该研究成果提出的方法显著优于传统模型，仅需7个特征参量，无需依赖昂贵实验或复杂仿真，即可有效处理多机制耦合的非线性磨损问题。该方法在测试集中的R²均超过0.90，误差分析与特征重要性评估结果均表明该方法具备良好的工程应用潜力。

期刊背景：

《Ocean Engineering》创刊于1968年，由Elsevier出版，是国际海洋工程领域的顶尖期刊之一，涵盖船舶与海洋结构物、水下技术、海洋能源开发利用、海洋流体力学、结构力学、海洋材料等多个方向，致力于发表具有高度原创性和工程应用价值的研究成果。该期刊位列JCR一区、中国科学院工程技术类二区，最新影响因子为4.6。

审核：王天舒