Na velocimetria por imagem de partículas (Particle Image Velocimetry, PIV), os métodos de redes neurais frequentemente enfrentam desafios ao lidar com fluxos de alta velocidade ou fluxos não lineares complexos, como mudanças rápidas na posição das partículas que dificultam o rastreamento e emparelhamento, extração de características em escala única e insuficiente capacidade de extração de características eficazes. Para enfrentar esses problemas, foi proposto um novo modelo aprimorado de estimativa do campo de fluxo e rastreamento dinâmico de partículas, chamado LiteFlowNet-CL, baseado na rede de memória de curto e longo prazo convolucional (ConvLSTM) e na arquitetura LiteFlowNet. O método proposto inicialmente melhora a capacidade de reconhecimento e caracterização de padrões de fluxo complexos por meio do modelo LiteFlowNet aprimorado, e então combina as vantagens da modelagem temporal da rede ConvLSTM, suprimindo efetivamente os erros de rastreamento de partículas em movimento rápido em diferentes passos de tempo, reduzindo significativamente a chance de perda de características nas imagens das partículas. Para validar a eficácia do modelo proposto, foram realizados testes comparativos de desempenho e experimentos de ablação utilizando imagens simuladas de partículas. Os resultados experimentais mostram que o modelo aprimorado de estimativa do campo de velocidade alcançou um erro quadrático médio de 0,1004; em comparação com o modelo clássico LiteFlowNet de estimativa de fluxo óptico, o erro foi reduzido em 10,52%, e em comparação com o modelo de alto desempenho LiteFlowNet-en amplamente utilizado no campo de PIV, o erro foi reduzido em 1,463%. O modelo proposto melhorou efetivamente a capacidade de capturar características de campos de fluxo complexos em PIV, e sua precisão de erro atende aos requisitos experimentais para análise de turbulência. Este trabalho fornece um novo caminho técnico para a otimização dos algoritmos PIV e tem valor aplicado para impulsionar o desenvolvimento das tecnologias de medição experimental em mecânica dos fluidos para uma resolução espaço-temporal mais alta.

velocimetria por imagem de partículas;aprendizado profundo;mecanismo de atenção;rede de memória convolucional de longo e curto prazo