一种基于多模态深度学习的海底电缆风险动态评估方法及系统

本发明公开了基于多模态深度学习的海底电缆风险动态评估方法及系统，属于海洋基础设施运维领域。针对现有技术中数据覆盖不全、生成场景失实、评估可靠性低等问题，提出：1）构建包含地质、海洋、船舶、生物等六类数据的多源异构数据集，采用时空网格编码实现数据对齐；2）设计物理约束生成对抗网络，通过Navier‑Stokes方程约束生成符合流体力学规律的风险场景数据；3）创建分层时空融合网络（HST‑Transformer），结合CNN空间特征提取、时序注意力机制和动态记忆模块实现多模态融合；4）建立混合不确定性量化框架，区分认知不确定性与数据固有噪声；5）集成数字孪生平台实现风险传播仿真与反事实干预分析。本发明使罕见风险事件检测率提升62%，评估准确率达91.7%，相比传统方法降低34%的误报率，可有效预防海底电缆断裂事故。