Los métodos de aprendizaje automático permiten la predicción de propiedades de materiales, potencialmente utilizando solo la composición elemental de una molécula o compuesto, sin el conocimiento de estructuras moleculares o cristalinas. En este documento, se demuestra una predicción basada en la composición mediante aprendizaje automático de las propiedades de los materiales de aleaciones V-Cr-Ti. Nuestra predicción basada en aprendizaje automático de la estabilidad de las aleaciones V-Cr-Ti es cualitativamente consistente con los datos experimentales dependientes de la composición sobre la temperatura de transición dúctil-frágil y la hinchazón. Además, nuestros resultados computacionales sugieren la existencia de una región de composición, Cr+Ti ~ 60 % en peso, a una temperatura de transición dúctil-frágil significativamente baja. Este resultado contrasta con un contenido de Cr+Ti reportado como bajo, de menos del 10 % en peso, en aleaciones V-Cr-Ti convencionales. La predicción numérica de estabilidad basada en aprendizaje automático es útil para el diseño y análisis de aleaciones metálicas, particularmente para aleaciones multicomponentes como las aleaciones de alta entropía, para desarrollar materiales para reactores de fusión nuclear.