粒子画像速度測定（Particle Image Velocimetry、PIV）において、神経ネットワーク手法は高速流動や複雑な非線形流動の処理において、粒子位置の急速な変化による追跡・マッチングの困難さ、抽出される特徴の単一スケール性、有効特徴抽出能力の不足といった問題に直面することが多い。これらの問題に対処するために、畳み込み長短期記憶ネットワーク（ConvLSTM）とLiteFlowNet構造に基づく新しい流れ場推定および動的粒子追跡強化モデルLiteFlowNet-CLを提案する。本手法はまず、強化されたLiteFlowNetモデルにより複雑な流動パターンの識別・表現能力を向上させ、その後、ConvLSTMネットワークの時系列モデリングの利点を組み合わせることで、異なる時間ステップにおける高速運動粒子の追跡誤差を効果的に抑制し、粒子画像特徴の消失確率を大幅に低減する。提案モデルの有効性を検証するために、シミュレーション粒子画像を用いたモデル性能比較試験およびアブレーション実験を行った。実験結果は、改良された速度場推定モデルが0.1004の平均二乗根誤差を達成し、LiteFlowNetの従来のオプティカルフロー推定モデルと比較して誤差が10.52%減少し、PIV分野で広く用いられている高性能モデルLiteFlowNet-enと比較してさらに1.463%誤差が減少したことを示した。提案モデルはPIVにおける複雑な流れ場特徴の捕捉能力を有効に向上させ、その誤差精度は乱流解析の実験要件を満たしている。本稿はPIVアルゴリズム最適化に新たな技術的道筋を提供し、流体力学実験計測技術のより高い時空間解像度への発展に寄与する応用価値を持つ。

粒子画像速度測定;深層学習;注意機構;畳み込み長短期記憶ネットワーク