钢铁是当今社会发展必不可少的核心材料,高Co-Ni二次硬化钢是一种新型马氏体钢,具有很高的强度和韧性,目前主要应用在航空航天器械上如飞机的起落架。现如今,高Co-Ni二次硬化钢需要在更恶劣的环境下拥有更高的性能,因此高Co-Ni二次硬化钢的成分和制备工艺越来越复杂。依靠传统的试错法进行研究,实验周期长,消耗资源量大,如今已经不能满足工业对钢铁材料的研发需求。因此使用计算机辅助材料实验和性能分析较为必要。目前在高Co-Ni二次硬化钢的性能分析和预测领域主要是使用BP神经网络,但是高Co-Ni二次硬化钢的热处理过程参数较多,实验数据量较少,因此用BP神经网络进行模型训练存在学习速度缓慢,泛化性能一般,精度不够高的问题。极限学习机(ELM)是一种新型的单隐层前馈神经网络算法,具有学习速度快、模型精度高、有良好的泛化能力等优点,近年来在许多领域得到了发展。实验基于增量型极限学习机(I-ELM)算法,通过训练神经网络,学习了高Co-Ni二次硬化钢的热处理过程,训练出热处理过程中微量元素、热处理工艺与合金力学性能的数学模型,并将训练的网络模型与基于BP神经网络训练的模型从多项指标进行对比和分析。结果表明,基于增量型极限学习机的网络模型在速度、精度和泛化性上都优于BP神经网络模型。使用高Co-Ni二次硬化钢的增量型极限学习机模型,对微量元素C、Co和时效温度与合金的力学性能之间的关系进行了预测研究,结合理论知识从材料的组织结构方面分析了原因,证明了预测结果的正确性。使用极限学习机算法在高Co-Ni二次硬化钢的成分分析和力学性能研究中效果显著,表明极限学习机在高Co-Ni二次硬化钢材料体系有着广阔的研究前景。结论证明,高Co-Ni二次硬化钢这种成分众多、数学模型复杂的材料在样本数量少条件下可以采用现代优化算法进行快速高精度拟合。