입자 영상 유속 측정(Particle Image Velocimetry, PIV)에서 신경망 방법은 고속 유동이나 복잡한 비선형 유동을 처리할 때 입자 위치가 빠르게 변하여 추적 및 매칭이 어려워지고, 추출된 특징이 단일 스케일에 머무르며, 효과적인 특징 추출 능력이 부족한 문제에 직면하는 경우가 많다. 이러한 문제를 해결하기 위해 컨볼루션 장단기 기억 네트워크(ConvLSTM)와 LiteFlowNet 구조를 기반으로 한 새로운 유동장 추정 및 동적 입자 추적 강화 모델인 LiteFlowNet-CL이 제안되었다. 제안된 방법은 먼저 강화된 LiteFlowNet 모델을 통해 복잡한 유동 패턴의 인식 및 표현 능력을 향상시키고, 이어서 ConvLSTM 네트워크의 시계열 모델링 장점을 결합하여 서로 다른 시간 단계에서 고속 운동 입자의 추적 오류를 효과적으로 억제함으로써 입자 영상 특징 손실 확률을 대폭 감소시킨다. 제안된 모델의 유효성을 검증하기 위해 시뮬레이션 입자 영상을 사용한 모델 성능 비교 테스트와 소거 실험을 수행하였다. 실험 결과, 개선된 속도장 추정 모델이 0.1004의 평균 제곱근 오차를 달성했으며, 고전적인 LiteFlowNet 광류 추정 모델과 비교하여 오차가 10.52% 감소하였고, PIV 분야에서 널리 사용되는 고성능 LiteFlowNet-en 모델과 비교하여 오차가 1.463% 추가로 감소하였다. 제안된 모델은 PIV에서 복잡한 유동장 특징 포착 능력을 효과적으로 향상시켰으며, 그 오차 정확도는 난류 분석의 실험 요구를 충족한다. 본 논문은 PIV 알고리즘 최적화를 위한 새로운 기술 경로를 제공하며, 유체 역학 실험 측정 기술의 시공간 해상도 고도화에 기여할 실용적 가치를 가진다.

입자 영상 유속 측정;딥러닝;어텐션 메커니즘;컨볼루션 장단기 기억 네트워크