Las propiedades termofísicas de los nanofluidos juegan un papel clave en su capacidad de transferencia de calor y pueden verse significativamente afectadas por varios factores, como la temperatura y la concentración de nanopartículas. Desarrollar modelos predictivos prácticos y fáciles de usar para determinar con precisión estas propiedades puede ser ventajoso cuando numerosas variables dependientes están involucradas en el control del comportamiento térmico de los nanofluidos. Las redes neuronales artificiales son enfoques confiables que recientemente han ganado mayor prominencia y se utilizan ampliamente en diferentes aplicaciones para predecir y modelar diversos sistemas. En el presente estudio, se aplican dos enfoques novedosos, Algoritmo Genético-Máquina de Vectores de Soporte de Mínimos Cuadrados (GA-LSSVM) y Optimización de Enjambre de Partículas-Redes Neuronales Artificiales (PSO-ANN), para modelar la conductividad térmica y la viscosidad dinámica de FeO/EG-agua considerando la concentración, la temperatura y la relación de masa de EG/agua como variables de entrada. Los resultados obtenidos de los modelos indican que el enfoque GA-LSSVM es más preciso en predecir las propiedades termofísicas. La desviación relativa máxima al aplicar GA-LSSVM se encontró aproximadamente en +/-5% para la conductividad térmica y la viscosidad dinámica del nanofluido. Además, se observó que la relación de masa de EG/agua tiene el impacto más significativo en estas propiedades.