1.一种纤维增强复合材料弹性性能预测方法，其特征在于，包括如下步骤：

S1、构建训练数据集：通过对覆盖了预设参数范围的多个代表性体积单元RVE进行数值分析来执行，所述参数范围至少包括纤维体积分数、纤维弹性参数和基体弹性参数；所述数值分析旨在求解每一个RVE所对应的横观各向同性弹性参数，并将所述参数范围与求解出的弹性参数作为数据对，形成训练数据集；

S2、训练模型：使用步骤S1中构建的训练数据集，对一个深度神经网络进行训练，以建立所述预设参数与所述横观各向同性弹性参数之间的非线性映射关系；

S3、预测性能：将包括材料与微观结构信息的参数、以及宏观结构参数一并作为输入，利用步骤S2中训练完成的深度神经网络模型，预测所述纤维增强复合材料的宏观等效弹性性能；

所述步骤S1中，生成所述代表性体积单元RVE的过程包括：采用四叉树算法对RVE区域进行递归细分，以建立用于快速查询邻近纤维的索引；并基于蒙特卡洛方法进行冲突检测，在所述RVE区域内随机生成满足预设间距条件的纤维坐标，从而获得具有纤维随机分布的RVE模型；所述步骤S1中，采用Sobol序列采样法对纤维体积分数、纤维弹性参数及基体弹性参数进行高维空间均匀采样，以生成用于构建所述多个代表性体积单元RVE的输入参数组合；所述步骤S2中，采用了一种包含物理约束的损失函数进行模型优化，所述物理约束至少包括横观各向同性条件约束，横观各向同性条件约束：强制预测的剪切模量G23满足公式G23=E22/(2×(1+V23))；所述步骤S3中的宏观结构参数包括层合板的铺层顺序和/或编织复合材料的纱线间距比和纱线卷曲度。

2.根据权利要求1所述的一种纤维增强复合材料弹性性能预测方法，其特征在于，所述步骤S1还包括：在通过数值分析获得横观各向同性弹性参数之后，采用SMOGN算法对数据进行增强，所述SMOGN算法基于K近邻算法识别目标值的稀疏区域并采用高斯噪声合成技术生成过采样样本。

3.根据权利要求1所述的一种纤维增强复合材料弹性性能预测方法，其特征在于，所述深度神经网络模型为包含残差块的深度残差网络。

4.根据权利要求1所述的一种纤维增强复合材料弹性性能预测方法，其特征在于，所述物理约束还包括泊松比边界约束，该约束通过对泊松比V23的预测值施加惩罚项。

5.根据权利要求1所述的一种纤维增强复合材料弹性性能预测方法，其特征在于，所述步骤S2中，还包括采用贝叶斯优化方法对所述深度神经网络模型的超参数进行自动搜索。