随着机器学习方法的不断发展,形成了各类算法,已有学者将其应用于流体机械的流动计算、流动控制以及优化设计。以深度学习为代表的机器学习方法具有强大的归纳学习能力,能够自主进行特征学习,不仅可以直接利用实验和数值模拟数据,从中挖掘出潜在的流场信息,更可以在优化设计过程中实现自适应的设计参数探索,以实现快速、鲁棒、全局且高效的优化,因此可以作为一种全新的流体机械优化设计方法。本文概述了流体机械气动优化的现状、机器学习方法的研究现状、机器学习在流动计算、流动控制以及流体机械优化设计中的应用现状,并指出了深度学习在流体机械优化设计上的应用前景。

网格生成技术是流体机械内部流动数值模拟中的关键技术之一，直接影响数值计算的收敛性，决定着数值计算结果最终的精度及计算过程的效率；本文在分析大量文献的基础上，首先，对流体机械CFD中的网格生成方法即结构化网格、非结构化网格、混合网格进行了比较全面的总结，系统地分析这些网格划分方法的机理、特点及其适用范围；其次，对特殊的网格生成技术，如曲面网格生成技术、动网格技术、重叠网格生成技术、自适应网格技术进行了阐述；再次，指出了良好的网格生成方法应具备的特点；最后提出了网格生成技术的发展趋势。

主要综述美国约翰·霍普金斯大学（JHU）机械工程系实验流体力学实验室（LEFD）开展的一些研究工作，主要介绍其在流体力学和流体机械方面的实验技术。内容包括：PIV技术开发，空蚀研究，多相流研究，湍流边界层研究，流体机械研究，等。这些工作在一定程度上代表了美国在流体力学及流体机械实验研究领域的最新的研究成果。本文在概述这些内容的同时，也对相关实验技术目前尚存在的问题，提出了自己的看法。本文还论述了流体机械研究的发展趋势和人才培养模式。

主要介绍了《流体机械》杂志近几年在＂不断创新发展,打造知名期刊＂方面所做的主要工作和所取得的成果;并提出了今后在这方面的努力方向。

空腔内的旋转流动常常涉及二次流、旋涡破裂等复杂问题。在整场流动实验测量中，必须长时间保持恒定工况。目前文献中的作法一般是采用高精度的恒温水域，但系统复杂、控制精度受限制。笔者介绍了一种根据实测温度调频变速保持实验Re数不变的方法。实验表明，该方法简单易行，并能将流动在长时间内高精度地保持在同一工况Re数内。最后给出了采用这种方法的整场和旋涡破裂区域内速度分布的LDA测量结果。