En vélocimétrie par images de particules (PIV), les méthodes basées sur les réseaux de neurones rencontrent souvent des difficultés lors du traitement des écoulements à haute vitesse ou complexes et non linéaires, telles que le changement rapide de position des particules rendant le suivi et l'appariement difficiles, l'extraction de caractéristiques à une seule échelle, et une capacité d'extraction de caractéristiques efficaces insuffisante. Pour remédier à ces problèmes, un nouveau modèle amélioré d'estimation du champ d'écoulement et de suivi dynamique des particules, LiteFlowNet-CL, basé sur un réseau de mémoire à long terme convolutionnel (ConvLSTM) et l'architecture LiteFlowNet, est proposé. La méthode proposée améliore d'abord la capacité de reconnaissance et de caractérisation des modes d'écoulement complexes grâce au modèle LiteFlowNet renforcé, puis combine les avantages de la modélisation temporelle du réseau ConvLSTM, supprimant efficacement les erreurs de suivi des particules en mouvement rapide à différents pas de temps, réduisant ainsi considérablement la perte de caractéristiques dans les images de particules. Pour valider l'efficacité du modèle proposé, des tests comparatifs de performance et des expériences d'ablation ont été réalisés sur des images de particules simulées. Les résultats expérimentaux montrent que le modèle amélioré d'estimation du champ de vitesse a atteint une erreur quadratique moyenne de 0,1004; par rapport au modèle classique LiteFlowNet d'estimation du flux optique, l'erreur a été réduite de 10,52%, et par rapport au modèle performant largement utilisé LiteFlowNet-en dans le domaine du PIV, l'erreur a été réduite de 1,463%. Le modèle proposé améliore efficacement la capacité à capturer les caractéristiques des champs d'écoulement complexes en PIV, avec une précision d'erreur répondant aux besoins expérimentaux pour l'analyse de la turbulence. Cet article fournit une nouvelle voie technique pour l'optimisation des algorithmes PIV, ayant une valeur appliquée dans la promotion du développement des techniques de mesure expérimentale en mécanique des fluides vers une résolution spatio-temporelle plus élevée.

vélocimétrie par images de particules;apprentissage profond;mécanisme d'attention;réseau de mémoire à long terme convolutionnel