In der Partikelbildgeschwindigkeitsmessung (Particle Image Velocimetry, PIV) stehen neuronale Netzwerkmethoden bei der Verarbeitung von Hochgeschwindigkeitsströmungen oder komplexen nichtlinearen Strömungen häufig vor Herausforderungen wie schnell verändernde Partikelpositionen, eingeschränkten Merkmalsskalen und unzureichender Extraktionsfähigkeit für effektive Merkmale. Um diese Probleme anzugehen, wird mit LiteFlowNet-CL (LiteFlowNet mit CBAM und ConvLSTM zur Verbesserung der Strömungsfeldschätzung und der dynamischen Partikelverfolgung) ein neues Modell zur Verbesserung der Flussfeldschätzung und der dynamischen Partikelverfolgung vorgestellt, das auf dem ConvLSTM-Netzwerk und der LiteFlowNet-Struktur basiert. Die vorgeschlagene Methode verbessert zunächst anhand des verstärkten LiteFlowNet-Modells die Erkennungs- und Charakterisierungsfähigkeit von komplexen Strömungsmustern und nutzt dann die Vorteile der zeitorientierten Modellierung des ConvLSTM-Netzwerks, um die Trackingfehler von Partikeln bei hoher Geschwindigkeit in unterschiedlichen Zeitschritten effektiv zu unterdrücken und damit die Wahrscheinlichkeit des Verlusts von Partikelbildmerkmalen deutlich zu verringern. Zur Überprüfung der Wirksamkeit des vorgeschlagenen Modells wurden Vergleichstests zur Leistung des Modells und Abschaltexperimente an simulierten Partikelbildern durchgeführt. Die experimentellen Ergebnisse zeigen, dass das verbesserte Geschwindigkeitsschätzmodell einen durchschnittlichen quadratischen Fehler von 0,100 4 aufweist; im Vergleich zum klassischen LiteFlowNet-Modell für die Schätzung von optischen Flüssen wurde der Fehler um weitere 10,52% reduziert, und im Vergleich zum weit verbreiteten Hochleistungsmodell LiteFlowNet-en in PIV wurde der Fehler um weitere 1,463% reduziert. Das vorgeschlagene Modell verbessert effektiv die Erfassungsfähigkeit von Merkmalen für komplexe Strömungsfelder in der Partikelbildgeschwindigkeitsmessung, und seine Fehlergenauigkeit erfüllt die experimentellen Anforderungen an die Turbulenzanalyse. Dieser Erfolg bietet einen neuen technischen Ansatz zur Optimierung des PIV-Algorithmus und ist von praktischem Wert für die Förderung der Entwicklung der experimentellen Messtechnik für die Fluidmechanik in Richtung höherer zeitlicher und räumlicher Auflösungen.

Partikelbildgeschwindigkeitsmessung; Deep Learning; Aufmerksamkeitsmechanismus; Convolutional Long Short-Term Memory Network