摘要：在壁湍流减阻领域，湍流结构与摩阻的时空关联逐渐成为研究前沿，而获得高分辨率的近壁流场是实现这一研究的前提基础。传统粒子图像测速（PIV）方法空间分辨率有限且在速度梯度较大的近壁区域将造成较大误差，难以刻画近壁湍流结构并准确计算壁面剪切应力。为解决这一难题，本文基于轻量级光流神经网络LiteFlowNet(LFN)提出了结构改进模型LFN–s，通过提前引入高分辨率监督约束以优化金字塔各层训练机制，并在子像素细化阶段引入Bicubic插值以增强未知区域估计精度，从而实现壁湍流近壁流场的高分辨率重建。该模型在基于人工合成的跨帧粒子图像对数据集上进行监督学习训练，近壁区域预测误差控制在3.5%以内。应用真实PIV实验数据后，获得了具备单像素级分辨率、具有时间序列特征的近壁流场，且符合壁湍流统计规律。通过对近壁流场的剪切应力信号进行分析，发现其传播特性与近壁主导湍流结构的迁移规律一致。本文通过改进光流模型获得了高分辨率近壁流场，可为实现高精度壁面的摩阻测量及其与湍流结构的时空关联分析创造条件。
