En la medición de la velocidad de partículas mediante imágenes de partículas (PIV), los métodos basados en redes neuronales a menudo se enfrentan a dificultades para seguir las correspondencias debido a los rápidos cambios en la posición de las partículas, la unificación de las escalas de las características mejoradas y la incapacidad para extraer características eficaces al tratar flujos de alta velocidad o no lineales complejos. Para resolver estos problemas, se ha presentado un modelo mejorado de estimación del campo de flujo y seguimiento dinámico de partículas utilizando la red convolucional de memoria a largo y corto plazo (convLSTM) y la estructura LiteFlowNet, que es un modelo mejorado para LiteFlowNet-CL (LiteFlowNet con CBAM y ConvLSTM para una estimación mejorada del campo de flujo y un seguimiento dinámico de partículas). El método propuesto mejora primero el modelo LiteFlowNet mejorado para aumentar su capacidad de reconocer y representar patrones de flujo complejos, y luego combina las ventajas de la modelización temporal de la red ConvLSTM para suprimir eficazmente los errores de seguimiento de partículas en movimiento rápido en diferentes intervalos de tiempo, reduciendo así considerablemente la probabilidad de pérdida de características de imágenes de partículas. Para verificar la eficacia del modelo propuesto, se realizaron pruebas de rendimiento del modelo y experimentos de disipación mediante la simulación de imágenes de partículas. Los resultados de los experimentos mostraron que el modelo mejorado de estimación de la velocidad logró un error cuadrático medio de 0.1004. En comparación con el modelo clásico LiteFlowNet para la estimación de flujo óptico, el error se redujo en un 10.52%, y en comparación con el modelo LiteFlowNet-en de alta eficiencia ampliamente utilizado en el campo de la PIV, el error se redujo en un 1.463%. El modelo propuesto mejora eficazmente la capacidad de capturar las características complejas del campo de flujo en la medición de la velocidad de partículas, y la precisión del error puede cumplir con los requisitos de los experimentos en el análisis turbulento. Este resultado proporciona un nuevo camino técnico para la optimización de los algoritmos de PIV y tiene un valor práctico en la mejora de las técnicas de medición de flujos hacia una mayor resolución espacio-temporal.

medición de la velocidad de partículas mediante imágenes; aprendizaje profundo; mecanismo de atención; red convolucional de memoria a largo y corto plazo