为了满足超深层油气资源开发需求,针对石油装备用强度等级最高的低碳马氏体钢,结合成分性能大数据,基于四种不同机器学习方法分别建立了大截面高强韧低碳马氏体钢成分-强度和成分-硬度预测模型,分析表明,神经元层数为4、层深为64的人工神经网络模型的性能预测精度和拟合程度最好。采用遗传算法对材料成分进行智能最优化设计,获得CrNiMo和SiMnCrNiMo两种材料系中屈服强度大于1100 MPa、硬度大于42HRC、碳含量小于0.22%的最优成分,材料的端淬硬度分布曲线与预测值基本一致,最大误差小于3HRC。依据优化设计成分进行多批次产品生产制造后结果表明,150 mm直径的构件全截面获得95%以上的细小针状马氏体组织,屈服强度大于1100 MPa,低温冲击吸收能大于45 J,满足服役性能要求,预测结果与生产实验结果具有较高的一致性。将材料大数据与机器学习相结合实现了材料的智能化设计开发,为高性能材料的开发提供了新途径。