In der Teilchenbild-Velocimetrie (Particle Image Velocimetry, PIV) stoßen neuronale Netzmethoden bei der Verarbeitung von Hochgeschwindigkeits- oder komplexen nichtlinearen Strömungen häufig auf Probleme wie die schnelle Positionsänderung von Partikeln, die das Tracking und Matching erschwert, die Extraktion von Merkmalen in einheitlicher Skala und eine unzureichende Fähigkeit zur effektiven Merkmalsextraktion. Um diese Probleme zu adressieren, wurde ein neues verbessertes Modell zur Strömungsfeldschätzung und dynamischen Partikelverfolgung namens LiteFlowNet-CL basierend auf der Faltungs-Langzeit-Kurzzeitgedächtnis-Netzwerkarchitektur (ConvLSTM) und der LiteFlowNet-Struktur vorgeschlagen. Die vorgeschlagene Methode verbessert zunächst die Fähigkeit zur Erkennung und Darstellung komplexer Strömungsmuster durch das verstärkte LiteFlowNet-Modell und kombiniert dann die Vorteile der zeitlichen Modellierung des ConvLSTM-Netzwerks, um Verfolgungsfehler schnell bewegter Partikel bei verschiedenen Zeitschritten effektiv zu unterdrücken, wodurch die Wahrscheinlichkeit des Verlusts von Partikelbildmerkmalen erheblich reduziert wird. Zur Validierung der Wirksamkeit des vorgeschlagenen Modells wurden Vergleichstestleistungen und Ablationsversuche mit simulierten Partikelbildern durchgeführt. Die experimentellen Ergebnisse zeigen, dass das verbesserte Geschwindigkeitsfeldschätzmodell einen mittleren quadratischen Fehler von 0,1004 erreichte; im Vergleich zum klassischen LiteFlowNet-Modell zur optischen Flussschätzung wurde der Fehler um 10,52 % reduziert, und im Vergleich zum im PIV-Bereich weit verbreiteten leistungsstarken Modell LiteFlowNet-en wurde der Fehler um weitere 1,463 % reduziert. Das vorgeschlagene Modell verbessert effektiv die Fähigkeit zur Erfassung komplexer Strömungsfeldmerkmale in der Teilchenbild-Velocimetrie, und seine Fehlerpräzision erfüllt die experimentellen Anforderungen der Turbulenzanalyse. Diese Arbeit bietet einen neuen technischen Weg zur Optimierung von PIV-Algorithmen und hat einen praktischen Wert für die Förderung der Entwicklung experimenteller Messtechniken in der Fluiddynamik hin zu höherer zeitlich-räumlicher Auflösung.

Teilchenbild-Velocimetrie;Deep Learning;Aufmerksamkeitsmechanismus;Faltungs-Langzeit-Kurzzeitgedächtnis-Netzwerk