Dans la mesure de la vitesse des particules par imagerie des particules (PIV), les méthodes basées sur les réseaux neuronaux sont souvent confrontées à des difficultés de suivi des appariements en raison des changements rapides de position des particules, de l'unification des échelles de caractéristiques améliorées et de l'incapacité à extraire des caractéristiques efficaces lors du traitement d'écoulements à haute vitesse ou non linéaires complexes. Pour résoudre ces problèmes, un modèle amélioré d'estimation du champ de flux et de suivi dynamique des particules a été présenté en utilisant le réseau convolutionnel à mémoire longue et courte terme (convLSTM) et la structure LiteFlowNet, qui est un modèle amélioré pour LiteFlowNet-CL (LiteFlowNet avec CBAM et ConvLSTM pour une estimation améliorée du champ de flux et un suivi dynamique des particules). La méthode proposée améliore d'abord le modèle LiteFlowNet amélioré pour augmenter sa capacité à reconnaître et à représenter les modèles d'écoulement complexes, puis combine les avantages de la modélisation temporelle du réseau ConvLSTM pour supprimer efficacement les erreurs de suivi des particules en mouvement rapide à différents intervalles de temps, réduisant ainsi considérablement la probabilité de perte de caractéristiques d'images de particules. Pour vérifier l'efficacité du modèle proposé, des tests de performance du modèle et des expériences de dissipation ont été réalisés en simulant des images de particules. Les résultats des expériences ont montré que le modèle amélioré d'estimation de la vitesse a atteint une erreur quadratique moyenne de 0,1004. Comparé au modèle classique LiteFlowNet pour l'estimation de flux optique, l'erreur a diminué de 10,52%, et par rapport au modèle LiteFlowNet-en à haute performance largement utilisé dans le domaine de la PIV, l'erreur a diminué de 1,463%. Le modèle proposé améliore efficacement la capacité de capturer les caractéristiques complexes du champ de flux dans la mesure de la vitesse des particules, et la précision de l'erreur peut répondre aux exigences des expériences dans l'analyse turbulente. Ce résultat fournit une nouvelle voie technique pour l'optimisation des algorithmes PIV et a une valeur d'application dans l'amélioration des techniques de mesure des écoulements vers une résolution spatiale-temporelle plus élevée.

mesure de la vitesse des particules par imagerie; apprentissage profond; mécanisme d'attention; réseau convolutionnel à mémoire longue et courte terme