Iterative coupled methods are widely used in multi-fidelity simulation of rotating components due to the simple implementation, which iteratively eliminates the errors between the computational fluid dynamics models and approximate characteristic maps. However, the convergence and accuracy of the iterative coupled method are trapped in characteristic maps. In particular, iterative steps increase sharply as the operation point moves away from the design point. To address these problems, this paper developed an auxiliary iterative coupled method that introduces the static-pressure-auxiliary characteristic maps and modification factor of mass flow into the component-level model. The developed auxiliary method realized the direct transfer of static pressure between the high-fidelity models and the component-level model. Multi-fidelity simulations of the throttle characteristics were carried out using both the auxiliary and traditional iterative coupled methods, and the simulation results were verified using the experimental data. Additionally, the consistency between the auxiliary and traditional iterative coupled methods was confirmed. Subsequently, multi-fidelity simulations of the speed and altitude characteristics were also conducted. The auxiliary and traditional iterative coupled methods were evaluated in terms of convergence speed and accuracy. The evaluation indicated that the auxiliary iterative coupled method significantly reduces iterative steps by approximately 50% at the near-choked state. In general, the auxiliary iterative coupled method is preferred as a development of the traditional iterative coupled method in the near-choked state, and the combined auxiliary-traditional iterative coupled method provides support for successful multi-fidelity simulation in far-off-design conditions.

Multi-hole pressure probes are crucial for turbomachinery flow measurements, yet conventional data processing methods often lack generalization for complex flows. This study introduces an innovative approach by integrating machine learning techniques with the structural risk minimization (SRM) principle, significantly enhancing the generalization capability of regression models. A comprehensive framework has been developed, combining SRM-based machine learning regression methods, such as ridge regression and kernel ridge regression, with hyperparameter optimization and S-fold cross-validation, to ensure robust model selection and accuracy. Validated using the McCormick function and applied to VKI-RG transonic turbine cascade measurements, the SRM-based methods demonstrated superior performance over traditional empirical risk minimization approaches, with lower error ratios and higher R2 values. Novel insights from SHAP analysis revealed subtle but significant differences in aerodynamic parameters, including a 0.63122° discrepancy in exit flow angle predictions, guiding the probe design and calibration strategies. This study presents a holistic workflow for improving multi-hole pressure probe measurements under high-subsonic conditions, representing a meaningful enhancement over traditional empirical methods and providing valuable references for practical applications.