В методе измерения скорости частиц с помощью визуализации (Particle Image Velocimetry, PIV) подходы на основе нейронных сетей сталкиваются с трудностями при обработке высокоскоростных или сложных нелинейных потоков, такими как быстрая смена положения частиц, затрудняющая отслеживание и сопоставление, единообразный масштаб извлекаемых признаков, а также недостаточная способность эффективно выделять важные признаки. Для решения этих проблем предложена новая модель усиления оценки поля скорости и динамического отслеживания частиц LiteFlowNet-CL, основанная на сверточной сети с долгой кратковременной памятью (ConvLSTM) и архитектуре LiteFlowNet. Предложенный метод сначала улучшает способность распознавания и представления сложных моделей течений с помощью усиленной модели LiteFlowNet, затем сочетает преимущества временного моделирования сети ConvLSTM, эффективно подавляя ошибки отслеживания быстро движущихся частиц на различных временных шагах, значительно снижая вероятность потери признаков частиц в изображениях. Для проверки эффективности модели проведены сравнительные тесты производительности и абляционные эксперименты на синтетических изображениях частиц. Результаты экспериментов показывают, что улучшенная модель оценки поля скорости достигла среднеквадратичной ошибки 0,1004; по сравнению с классической моделью LiteFlowNet для оценки оптического потока, ошибка уменьшилась на 10,52%, а по сравнению с широко используемой высокопроизводительной моделью LiteFlowNet-en в области PIV уменьшилась на 1,463%. Предложенная модель эффективно улучшила способность захвата характеристик сложных полей потоков в PIV, а точность ошибок соответствует требованиям экспериментов по анализу турбулентности. Данная работа представляет новый технический путь для оптимизации алгоритмов PIV и имеет практическую ценность для развития экспериментальных измерительных технологий гидродинамики с более высоким пространственно-временным разрешением.

измерение скорости частиц;глубокое обучение;механизм внимания;сверточная сеть с долгой кратковременной памятью