随着智能网联新能源汽车大力推广普及,我们迫切需要一种轻量化车身的设计来提升汽车的续航里程和安全性性能。复合材料作为一种轻量化材料和多功能材料,已经被广泛应用到了汽车结构的轻量化设计中。复合材料是一种多尺度材料,它的细观结构特征决定了宏观尺度上有效力学性能,准确的得到复合材料宏观力学性能参数是复合材料结构设计的基础,具有重要的工程意义。由于复合材料力学性能力学实验过程费时费力、费用昂贵,以及利用细观力学理论结合有限元方法的计算过程重复繁琐计算量大、稳定性差等,这些传统的求解复合材料宏观有效性能的方法都限制了复合材料在设计阶段的适用性。在过去的近些年里,数据科学和机器学习技术得到了飞速的发展,越来越多地被应用到材料工程中。由于材料的微观结构和材料性能之间的一对一关系是确定的,本文构建了通过复合材料单向板有限元计算分析得到的宏观力学性能结果数据驱动的复合材料宏观性能预测方法。主要研究内容如下:（1）简明叙述了复合材料力学的中细观力学和宏观力学基本理论。主要介绍了双尺度展开的均匀化方法、复合材料单向板的宏观力学性能分析方法,使用Python语言通过CATIA的API接口完成了单向板周期性细观结构三维建模。通过选单向板取代表体元,采用均匀化方法并结合ABAQUS软件完成了复合材单向板有限元建模。在相应载荷和均匀周期性边界条件下求解了的单向板的宏观有效性能。一共获取到了的500组的有限元仿真结果样本,并用来构建机器学习的数据集。（2）复合材料单向板细观结构参数对应的宏观力学性能的是一种非线性的映射关系,应该考虑选择机器学习中的非线性模型,通过选用不同的机器学习模型进行分析,本文分别选择了K最近邻模型、决策树模型、梯度提升树模型进行回归预测,并利用有限元仿真结果数据集构建了机器学习所需的数据集。在构建机器学习模型之前,为了提高机器学习模型的性能和预测精度,我们还需要对有限元结果数据集进行数据表示和特征工程。包括进行归一化。标准化处理等预处理。其次为了避免过拟合,在建立模型之前进行基于L1范数的正则化处理和PCA主成分分析进行输入特征选择,通过选择与宏观性能最相关的输入特征来进行降维。将进行特征工程后的数据集划分了训练集和测试集,并给出了机器学习回归的评价指标。（3）对于三种不同的机器学习模型。对每一个模型在测试集上的预测结果进行了简单的评估分析,分别得到了3个模型在测试集上的预测结果。为了提高模型的泛化能力采用了10倍交叉验证方法在数据集上获得了较好的泛化性能。结果表明梯度提升回归模型泛化性能最好。因此选取了梯度提升树回归模型作为机器学习代理模型,并采用带交10倍叉验证的网格搜索的方法选择该模型最佳的参数值设置,经过超参数调优后,梯度提升树模型对于E1预测精度高达99%,E2预测精度高达95%。V12预测精度高达86%,G12预测精度高达91%。最后为了验证机器学习代理模型在实践中实用性,将机器学习代理模型对单向板最主要宏观力学性能E1、G12预测的结果数据集与有限元计算结果数据集进行了对比分析。分析结果表明,对于有限元计算结果与机器学习预测结果数据几乎在一条45度直线上重叠。而机器学习花费的时间大约1秒钟,单从计算上成本上就能验证机器学习代理模型的实用性。