Este documento presenta un modelo de aprendizaje automático para predecir el efecto del contenido de nanopartículas de AlO en el coeficiente de expansión térmica en nanocompuestos de Cu-AlO preparados utilizando una técnica química in situ. El modelo desarrollado es una modificación de la Memoria a Corto y Largo Plazo (LSTM) utilizando la optimización de mangosta enana (DMO), que imita el comportamiento de DMO para encontrar su alimento para predecir el comportamiento del compuesto. El enjambre de DMO consta de tres grupos, a saber, el grupo alfa, exploradores y niñeras. Cada grupo tiene su propio comportamiento para capturar el alimento. La preparación del nanocompuesto se realizó utilizando nitrato de aluminio que se agregó a una solución que contenía nitrato de cobre disperso. Después de eso, se obtuvieron los polvos de CuO y AlO, y el líquido restante se eliminó mediante tratamiento térmico a 850 grados Celsius durante 1 h. Los polvos se consolidaron utilizando procesos de compactación y sinterización. Se investigó el impacto de los contenidos de AlO en las propiedades térmicas del nanocompuesto de Cu-AlO. Los resultados mostraron que el Coeficiente de Expansión Térmica (TEC) disminuye con el aumento del contenido de AlO debido a la mayor precipitación de nanopartículas de AlO en los límites de grano de la matriz de Cu. Además, la buena unión interfacial entre AlO y el Cu puede participar en esta disminución en el TEC. El modelo de aprendizaje automático propuesto pudo predecir el TEC de todos los compuestos producidos con diferentes contenidos de AlO y se probó a diferentes temperaturas con muy buena precisión, alcanzando el 99%.