В измерении скорости частиц с использованием изображений частиц (PIV) методы нейронных сетей часто сталкиваются с трудностями в отслеживании сопоставлений из-за быстрого изменения положения частиц, унификации усовершенствованных масштабов особенностей и недостаточности способности извлечения эффективных особенностей при работе с высокоскоростным или сложным нелинейным потоком. Для решения этих проблем была представлена модель улучшения оценки поля потока и динамического отслеживания частиц на основе сверточной долговременной и краткосрочной памяти (convLSTM) и структуры LiteFlowNet, которая является улучшенной моделью для LiteFlowNet-CL (LiteFlowNet с CBAM и ConvLSTM для улучшенной оценки поля потока и динамического отслеживания частиц). Предложенный метод сначала улучшает модель улучшенного LiteFlowNet для распознавания и представления сложных образцов течения, а затем объединяет возможности последовательного моделирования сети ConvLSTM и эффективно подавляет ошибки отслеживания быстро движущихся частиц на различных временных промежутках, тем самым значительно снижая вероятность потери особенностей изображений частиц. Чтобы проверить эффективность предложенной модели, были проведены тесты производительности модели и поглощающие эксперименты через имитацию изображений частиц. Результаты экспериментов показали, что улучшенная модель оценки скорости достигла среднеквадратичной ошибки 0,1004. При сравнении с классической моделью LiteFlowNet для оценки оптического потока, ошибка уменьшилась на 10,52%, и по сравнению с широко используемой моделью LiteFlowNet-en с высокой производительностью в области PIV, ошибка снизилась на 1,463%. Предложенная модель эффективно улучшает способность захвата особенностей сложного поля потока в измерении скорости частиц, а точность ошибок может удовлетворить требования опытов в турбулентном анализе. Этот результат предоставляет новый технический путь для оптимизации алгоритмов PIV и имеет практическую ценность в улучшении технологий измерения потоков для более высокого пространственно-временного разрешения.

измерение скорости частиц через изображения; глубокое обучение; механизм внимания; сверточная долговременная и краткосрочная память