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。

采用三维时均Navier-Stokes方程,在显式代数雷诺应力湍流模型（EASM）的基础上,通过引入扩展内禀平均旋转张量,建立了多翼离心风机数值模拟方法。基于数值模拟结果的性能预测和实验结果吻合良好,证实了所采用的计算模型和数值方法的可行性。通过数值模拟,分析了叶轮流道内速度场和压力场的分布,数值模拟结果表明叶轮流道呈现非常复杂的三维特性,在叶轮前盘存在二次涡流,吸力面则存在流动分离,并发现低能量的流体聚集在前盘区域,并分析比较了不同流量下流道中分离流动的情况。