El desarrollo actual de productos y maquinaria se establece la necesidad de generar eficientemente diseños conceptuales y de detalle, de alta complejidad de forma, con evaluación de su funcionalidad y desempeño basado en múltiples tipos de requerimientos de usuario tales como el uso e implementación de nuevos y mejores materiales o procesos de manufactura [1]. En búsqueda de materiales que permitirán excelentes prestaciones de resistencia a bajo peso, para la industria se han hecho relevantes los compuestos poliméricos reforzados con fibras (FRPC). Sin embargo, con los métodos tradicionales de fabricación se presentan varias limitaciones al momento del diseño y desarrollo de productos complejos. Es aquí donde actualmente la Manufactura Aditiva (AM), en el marco de las nuevas industrias 4.0, ha permitido el desarrollo de productos terminados personalizables, de alta complejidad, livianos y con altas prestaciones mecánicas y funcionales [2,3]. Polímeros con reforzamiento de fibras continuas de carbono y fabricados por manufactura aditiva (AM-CCFRP) de reciente desarrollo, han demostrado ser pertinentes para la aplicación en problemas de diseño estructural [4–6], permitiendo obtener resistencias similares a la aleaciones de aluminio tipo 6063-T6. El proceso de manufactura de estos materiales se denomina Fabricación con Fibra Continua (CFF). Para lograr diseños factibles en AM-CCFRP, es importante actualmente ampliar el conocimiento de su evaluación y caracterización de su comportamiento mecánico en distintos escenarios de experimentación, además de avanzar con la generación de herramientas computacionales eficientes y precisas que permitan predecir la resistencia de acuerdo con requerimientos de diseño y restricciones de manufactura [7]. El creciente desarrollo y aplicación de técnicas computacionales basadas en inteligencia artificial (IA) ha permitido su uso en problemas de diseño complejos y avanzados de ingeniería mecánica y mecatrónica [8]. Y por tanto, la aplicación de algoritmos de aprendizaje de máquina en este tipo de problemas permite reconocer patrones y relaciones entre múltiples parámetros de diseño, manufactura y su desempeño funcional, apoyando de esta forma la toma de decisiones durante el desarrollo de un producto [9–13]. Es así como se hace necesario el avance de soluciones que integren las nuevas tendencias de diseño, manufactura y cómputo para la generación de nuevos y mejores productos. Por todo la anterior, se propone el desarrollo de un modelo de predicción propiedades elásticas en polímeros reforzado con fibra continua de carbono en función de los principales parámetros de su proceso de manufactura aditiva, que brinde un soporte a los procesos de diseño y fabricación. Para tal fin se propone partir por procesos de caracterización de la respuesta mecánica bajo condiciones de cargas isotónicas empleando ensayos unidireccionales (UD) estandarizados para materiales compuestos con fibras de refuerzo (ASTM D3039). Como apoyo para el proceso de caracterización del estado de deformación plana se emplearán medición de deformación plana de campo completo por medio de la Correlación Digital de Imágenes bidimensional (DIC-2D). Posteriormente, con el fin de predecir la respuesta estructural de estos materiales AM-CCFRP bajo condiciones de cargas, se desarrollarán modelos computacionales que incluyan características tanto micro, meso como marcoescalares asociados a los parámetros del proceso CFF. Estos modelos serán calibrados y validados a partir de los resultados experimentales previos (UD y DIC-2D). Por último, a partir de los resultados obtenidos, adicionalmente se propone el desarrollo de una herramienta computacional basada en aprendizaje de máquina (ML), la cual empleara una base de datos, para el entrenamiento, validación y prueba, basada en los resultados experimentales y extendida por resultados generados por la misma herramienta computacional desarrollada.