能源短缺是当今世界的一个重大问题,如何更有效的利用能源是解决此问题的一个方向。而射流技术,能够通过改变燃料与空气的掺混,提高了燃料的燃烧效率,使燃料得到更好的利用。发动机的核心技术一直制约着国内航空航天的发展,而发动机的降噪处理是其核心技术之一。通过控制射流,将发动机尾流与空气迅速的混合一起,能够加快尾流的发散,有效的降低噪声,减少发动机的损坏。诸如此类,射流控制技术已经在很多行业上得到了有效的应用,因而继续深入研究射流控制技术是很有意义的。本文的主要研究内容主要包括两个部分:第一部分为单支脉冲微射流主动控制参数手动寻优。控制参数包括微射流激励频率(5-150Hz),微射流质量流量(0-10L/min),微射流占空比(0.1-1)。探究控制参数之间的关系,拟合各控制参数。第二部分则是利用机器学习算法在多个雷诺数情况下进行控制参数自动寻优。探究机器学习控制的效果。本文所研究的实验数据主要应用热线测量技术测量得到。主要测量微射流出口速度,主射流中轴线速度衰减率,以及主射流在x/D=5的径向截面上的速度分布。本文所使用的机器学习控制是基于线性遗传编程的控制方法,优化方向是增强轴向射流中心的混合,从而降低平均速度。通过实验测量后的结果,将射流衰减度、微射流质量流量以及微射流占空比等射流参数进行了一系列的修正。提出修正后的拟合参数Cm*/β其物理意义是有效单位脉冲流量比。拟合参数与射流衰减度存在分段线性的关系。只要拟合参数一致,就能得到相同的控制结果。从机器学习优化结果可以看到,最优激励频率随雷诺数增加而增加,但微射流与主射流频率比接近0.5。最优微射流的拟合参数有效单位脉冲流量比Cm*/β都接近0.04,并且不同雷诺数下对应的最佳J值也基本一致,约为0.49。既说明最佳控制效果与雷诺数无关,又证明此机器学习方法有很好的鲁棒性。