能源的过分损耗和环境的持续破坏推进了新能源产业和轻量化技术的发展,尤其是在汽车领域,这两大方向是汽车持续的热点以及未来的发展趋势。轻量化技术在减轻汽车整备质量,减少汽车燃料的损耗和尾气排放方面占据举足轻重的作用。相较于其他目前新兴起的材料,复合材料是给轻量化技术带来实际应用的的最佳方法之一,而且碳纤维凭借质量轻、强度硬度高、比模量大等优点使碳纤维增强复合材料成为轻量化材料中的佼佼者,被广泛的应用到汽车轻量化的设计中。在汽车结构的设计过程中,不同批次的碳纤维复合材料会制成不同层数,不同铺层顺序的层合板,要对所有的组合进行大量的复合材料力学性能实验才可获得其基本的工程常数,为整车的设计以及性能分析带来很高的时间和物质成本。人工神经网络,深度学习技术的快速发展及其多领域内的成功应用,使深度学习技术应用到复合材料力学属性的预测中成为可能,以节约材料开发与应用的成本。卷积神经网络(CNN)的优势是处理复杂的图像,提取图中的特征信息,长短期记忆网络(LSTM)擅长处理具有序列特征的数据。本文基于深度材料网络,提出将CNN-LSTM神经网络模型应用到碳纤维复合材料力学属性的预测中。深度学习模型的训练过程要有大量数据的支撑,但是目前没有开源的碳纤维复合材料力学属性数据集。因此首先利用Digimat平台仿真获取碳纤维复合材料均匀化后的柔性矩阵,并将其转化为图片信息,处理为具有序列特征的数据样本1200组,并制成相对应的标签文件。利用自己建立的数据集对CNN-LSTM网络模型进行训练以及精度的测试,最终结果显示,CNN-LSTM对碳纤维复合材料力学性能有着0.976的预测准确率。证明了深度学习对碳纤维复材力学性能的预测具有可行性。同时本文进行了碳纤维复材层合板的拉伸力学性能实验获取试样的力学参数,并构建相应的输入样本,使用CNN-LSTM模型进行预测。然后将实验结果与模型预测结果进行对比,结果表明CNN-LSTM对碳纤维复合材料力学属性的预测结果与相应的拉伸力学实验结果误差在5%以内,证明了CNN-LSTM神经网络模型对碳纤维复材力学性能预测的准确性。