En el fresado duro, ha habido un aumento significativo en la demanda de técnicas de mecanizado sostenibles. La investigación indica que el método de Lubricación de Cantidad Mínima (MQL) es un enfoque prometedor para lograr la sostenibilidad en los procesos de fresado debido a sus características ecológicas, así como su rentabilidad y eficiencia de enfriamiento mejorada en comparación con el enfriamiento por inundación convencional. Este estudio investiga el fresado final del acero para moldes AISI H11, utilizando un sistema de enfriamiento que implica una mezcla de nanopartículas de grafeno (Gnps) y aceite de sésamo para MQL. El marco experimental se basa en un arreglo ortogonal Taguchi L36, con parámetros clave que incluyen la velocidad de avance, la velocidad de corte, la condición de enfriamiento y la presión de aire. Los resultados obtenidos para la temperatura de la zona de corte y la rugosidad de la superficie se analizaron utilizando la relación Señal-Ruido de Taguchi y el Análisis de Varianza (ANOVA). Además, se desarrolló un modelo de predicción de Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS) para evaluar el impacto de los parámetros del proceso en la temperatura de corte y la calidad de la superficie. Los parámetros de corte óptimos se encontraron en una velocidad de corte de 40 m/min, una velocidad de avance de 0.01 mm/rev, una presión de chorro de 4 bar y un entorno de enfriamiento MQL basado en nano. La adopción de estos parámetros óptimos resultó en una reducción sustancial del 62.5% en la temperatura de corte y una disminución del 68.6% en la rugosidad de la superficie. Además, los modelos ANFIS demostraron alta precisión, con un 97.4% de precisión en la predicción de la temperatura de corte y un 92.6% de precisión en la predicción de la rugosidad de la superficie, destacando su efectividad en proporcionar pronósticos precisos para el proceso de mecanizado.