Questa tesi indaga il model-free Deep Reinforcement Learning (DRL) per il controllo attivo in anello chiuso di un getto d'acqua turbolento a sezione circolare, con l'obiettivo di potenziare il mixing turbolento. Il sensing del flusso si basa sulla Event-Based Imaging Velocimetry (RT-EBIV) in tempo reale, che ricostruisce campi di velocità risolti spazialmente a partire dai dati ad eventi ottenuti tramite illuminazione pulsata su una regione estesa del flusso. Questa informazione spaziale viene sfruttata per estrarre, da due diverse sotto-regioni dello stesso campo di velocità istantaneo, sia l'osservazione dello stato usata dall'agente per selezionare l'azione sia il segnale di reward usato per l'ottimizzazione della policy.