في قياس سرعة الجسيمات بالصور (PIV) ، غالبًا ما يواجه طرق الشبكات العصبية صعوبة في تتبع المطابقات بسبب تغير مواقع الجسيمات بسرعة وتوحيد مقياس السمات المعززة وقدرتها الضعيفة على استخراج السمات الفعالة عند التعامل مع تدفق عالي السرعة أو غير الخطي المعقد. من أجل حل هذه المشكلات ، تم تقديم نموذج جديد لتحسين تقدير حقل التدفق وتتبع الجسيمات الديناميكي بناءً على شبكة الذاكرة القصيرة والطويلة المركبة (convLSTM) وهيكل LiteFlowNet ، وهو نموذج محسن لـ LiteFlowNet-CL (LiteFlowNet مع CBAM و ConvLSTM لتحسين تقدير حقل التدفق وتتبع الجسيمات الديناميكي). يقوم الأسلوب المقترح أولاً بتحسين نموذج LiteFlowNet المحسن لقدرته على تمييز وتمثيل أنماط التدفق المعقدة ، ثم يجمع بين ميزات النمذجة الزمنية لشبكة ConvLSTM ، ويمنع بشكل فعال الأخطاء في تتبع الجسيمات ذات الحركة السريعة في فترات زمنية مختلفة ، مما يقلل بشكل كبير من احتمال فقدان سمات صور الجسيمات. للتحقق من فعالية النموذج المقترح ، تم إجراء اختبارات أداء النموذج والتجارب التجويفية من خلال تحاكي صور الجسيمات. أظهرت نتائج التجارب أن النموذج المحسن لتقدير حقل السرعة حقق خطأ متوسط ​​مربع جذرياً بقيمة 0.1004. عند مقارنته بنموذج LiteFlowNet لتقدير التدفق الضوئي الكلاسيكي ، تم خفض الخطأ بنسبة 10.52٪ ، ومقارنة بالنموذج عالي الأداء LiteFlowNet-en المستخدم على نطاق واسع في مجال PIV ، تم خفض الخطأ بنسبة 1.463٪. قدم النموذج المقترح تحسينًا فعالًا في قدرة الاستحواذ على سمات حقل السرعة المعقدة في قياس سرعة الجسيمات ، ودقة الخطأ يمكن أن تلبي متطلبات التجارب في تحليل الاضطرابات التوربولي. يوفر هذا الإنجاز مسارًا تقنيًا جديدًا لتحسين خوارزميات PIV وله قيمة تطبيقية في تعزيز تقنيات قياس التيارات السائلة نحو دقة زمكانية فائقة.

قياس سرعة الجسيمات البصرية ؛ التعلم العميق ؛ آلية الاهتمام ؛ شبكة الذاكرة القصيرة والطويلة المركبة