摘要
في قياس سرعة جزيئات الصورة (PIV)، تواجه طرق الشبكات العصبية عادةً صعوبات مثل التتبع والمطابقة بسبب التغير السريع لمواقع الجسيمات، واستخراج ميزات بمقاييس موحدة فقط، وضعف القدرة على استخراج الميزات الفعالة عند التعامل مع التدفقات عالية السرعة أو التدفقات غير الخطية المعقدة. لمواجهة هذه المشكلات، تم اقتراح نموذج معزز لتقدير مجال التدفق وتتبع الجسيمات الديناميكي يسمى LiteFlowNet-CL، قائم على شبكة الذاكرة طويلة المدى التلافيفية (ConvLSTM) وبنية LiteFlowNet. تبدأ الطريقة المقترحة بتحسين قدرة التمييز والتوصيف لأنماط التدفق المعقدة عن طريق نموذج LiteFlowNet المعزز، ثم تستفيد من مزايا النمذجة الزمنية لشبكة ConvLSTM لتقليل أخطاء التتبع للجسيمات المتحركة بسرعة عبر أزمنة مختلفة، مما يقلل بشكل كبير من فقد ميزات صورة الجسيمات. للتحقق من فعالية النموذج المقترح، تم إجراء اختبارات مقارنة للأداء وتجارب استئصال باستخدام صور جزيئات محاكاة. أظهرت النتائج التجريبية أن نموذج تقدير مجال السرعة المحسن حقق خطأ الجذر التربيعي المتوسط 0.1004؛ وانخفض الخطأ بنسبة 10.52% مقارنةً بنموذج LiteFlowNet الكلاسيكي لتقدير التدفق الضوئي، وانخفض بنسبة 1.463% مقارنةً بالنموذج عالي الأداء LiteFlowNet-en المستخدم على نطاق واسع في مجال PIV. ساهم النموذج المقترح في تحسين القدرة على التقاط ميزات حقول التدفق المعقدة في قياس سرعة جزيئات الصورة، ودقته في الخطأ تلبي متطلبات التجارب لتحليل الاضطرابات. توفر هذه الدراسة مسارًا تقنيًا جديدًا لتحسين خوارزميات PIV، وله قيمة تطبيقية في دفع تقنيات القياس التجريبي للهيدروديناميكا نحو دقة زمنية ومكانية أعلى.
关键词
قياس سرعة جزيئات الصورة;التعلم العميق;آلية الانتباه;شبكة الذاكرة طويلة المدى التلافيفية
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website