液滴撞击壁面是一种非常普遍的自然现象,在自然界和生产生活中十分常见。在液滴撞壁的过程中,壁面特性和液滴初始状态对液滴撞击后的铺展流动规律有很大影响。由于不同的壁面浸润性、液滴直径、表面张力和质量,液滴在冲击力的作用下产生不同的变形情况,达到稳定后的形态也会有所差别。本文为了模拟液滴撞击壁面的动态变化过程,采用核梯度修正（Kernel Gradient Correction,KGC）技术、人工粘度系数、未知因素修正的光滑粒子流体动力学（Extended Smoothed Particle Hydrodynamics,XSPH）、密度重初始化和边界处理等改进的SPH方法,首先对方腔内流体的自然对流动态过程进行了模拟分析。然后引入连续介质表面力（Continuum Surface Force,CSF）模型,模拟了无重力场方形液滴的自然变化过程,并与其他研究结果进行对比,表明本文所采用的方法有效准确,同时对粒子初始直径、核函数和人工粘度系数等参数的选取进行了分析选择。随后,模拟了液滴撞击恒温壁面的动态流动过程并与实验结果进行对比,分析了壁面浸润性、壁面与液滴之间温差和液滴关键参数对液滴铺展流动变化的影响规律。结果表明:模拟所得液滴撞壁的变形过程与实验结果吻合度较好,液滴在撞击过程的收缩阶段变形情况在极大程度上受壁面浸润性的影响;在未考虑相变,壁面与液滴之间温差较小,并且模拟实际运动时间较短的情况下,壁液温差对液滴铺展流动情况的影响微乎其微。但通过分析液滴能量的变化情况,能够看出液滴与壁面之间的确存在能量交换;液滴表面张力,密度或者撞击速度会影响液滴的铺展速度和最大铺展率以及达到最大铺展率所需的时间。机器学习作为近些年发展较快,综合多个领域的交叉学科,因其有自主从样本中获得数据,分析得到规律并进行预测的功能,能够满足各行各业的各种需求,所以应用范围相对广泛。不同的机器学习方法针对同一样本集进行预测时,可能得出具有不同精度的预测数据,选择适合的算法能够大量节约模拟的时间成本并得到较为精确的结果。因此,本文采用多种机器学习算法预测液滴直径与能量的变化情况,并将预测结果与模拟结果进行比较。通过综合分析,选出了适用于液滴撞壁问题的机器学习方法,能够极大减少日后工作中模拟过程所需的时间。