高速旋转流场在同位素分离专用设备中具有重要的应用价值。在极高转速下，该类设备内部会产生极大的径向压强与密度梯度，从而导致对内部流场的实验测试及其相关高精度数值模拟极为困难。随着人工智能及相关算法的快速发展，将先进算法与工业数据集相结合已成为智能制造领域日益关注的研究方向。然而，在数智化多参数正向设计中，获取的实验数据样本数量往往十分有限。针对样本稀缺等问题，本文依据该类高速旋转同位素专用设备的实验数据，详细阐述了该数据集的实验研究过程及其样本分布特征，说明了在样本不平衡等相关问题。随后，本文使用多项式回归、支持向量机、随机森林、极限梯度提升树（XGBoost）和浅层神经网络等多种机器学习算法对实验数据集进行建模研究。在此基础上，本文还采用合成少数过采样技术对同一内部构型下不同转速的样本数据集进行数据增强，进一步评估数据增强后对响应面方法和XGBoost模型预测性能的影响。结果表明，基于决策树类的模型在本工业数据集上表现优越，适当的数据增强方法能够提高机器学习模型的预测精度与泛化性能。