En la velocimetría de imágenes de partículas (PIV), los métodos de redes neuronales a menudo enfrentan problemas al manejar flujos de alta velocidad o flujos no lineales complejos, tales como el rápido cambio en la posición de las partículas que dificulta el seguimiento y emparejamiento, la extracción de características a escala única y la insuficiente capacidad para extraer características efectivas. Para abordar estos problemas, se propone un nuevo modelo mejorado de estimación de campo de flujo y seguimiento dinámico de partículas llamado LiteFlowNet-CL, basado en la red de memoria a largo plazo convolucional (ConvLSTM) y la arquitectura LiteFlowNet. El método propuesto primero mejora la capacidad de reconocimiento y representación de patrones de flujo complejos mediante el modelo LiteFlowNet mejorado, y luego combina las ventajas del modelado temporal de la red ConvLSTM, suprimiendo efectivamente los errores de seguimiento de partículas de movimiento rápido en diferentes pasos de tiempo, reduciendo significativamente la pérdida de características en imágenes de partículas. Para validar la efectividad del modelo propuesto se realizaron pruebas comparativas de rendimiento y experimentos de ablación mediante imágenes de partículas simuladas. Los resultados experimentales muestran que el modelo mejorado de estimación del campo de velocidad logró un error cuadrático medio de 0.1004; comparado con el modelo clásico LiteFlowNet para estimación de flujo óptico, el error se redujo en un 10.52%, y comparado con el modelo de alto rendimiento LiteFlowNet-en ampliamente utilizado en el campo PIV, el error se redujo en un 1.463%. El modelo propuesto mejora efectivamente la capacidad de capturar características de campos de flujo complejos en PIV, y su precisión de error cumple con los requisitos experimentales para el análisis de turbulencia. Este trabajo proporciona una nueva ruta técnica para la optimización de algoritmos PIV y tiene valor aplicado para impulsar el desarrollo de tecnologías de medición experimental en mecánica de fluidos hacia una mayor resolución espacio-temporal.

velocimetría de imágenes de partículas;aprendizaje profundo;mecanismo de atención;red de memoria a largo plazo convolucional