El ácido poliláctico (PLA), el segundo biopolímero más producido, fue seleccionado para la fabricación de membranas de matriz mixta (MMM) mediante la incorporación de partículas del marco organometálico HKUST-1 (MOF) en una matriz de PLA con el objetivo de mejorar las características mecánicas. Se desarrolló un modelo de red neuronal de aprendizaje profundo (DLNN) en el backend de TensorFlow 2 para predecir las propiedades mecánicas, el estrés, la deformación, el módulo elástico y la tenacidad de las MMM PLA/HKUST-1 con diferentes parámetros de entrada, como el porcentaje en peso de PLA, el porcentaje en peso de HKUST-1, el grosor de fundición y el tiempo de inmersión. El modelo fue entrenado y validado con 1214 conjuntos de datos interpolados en una validación cruzada estratificada de cinco pliegues. Se aplicaron regularizaciones de abandono y detención temprana para prevenir el sobreajuste del modelo en la fase de entrenamiento. El modelo mostró un rendimiento consistente para los conjuntos de datos interpolados desconocidos y 26 conjuntos de datos experimentales originales, con coeficientes de determinación (R) de 0.93-0.97 y 0.78-0.88, respectivamente. Los resultados sugieren que el método propuesto puede construir modelos DLNN efectivos utilizando un conjunto de datos pequeño para predecir propiedades de materiales.