Para comprender la regulación térmica dentro del espacio cónico entre un disco y un cono (TRHNF-DC) para el flujo de nanofluido híbrido, esta investigación introduce una nueva aplicación de heurísticas computacionalmente inteligentes utilizando redes neuronales de Levenberg-Marquardt retropropagadas (LM-NNs). Se aborda específicamente un nanolíquido híbrido único que comprende óxido de aluminio y nanopartículas de cobre. A través de la aplicación de transformaciones de similitud, el modelo matemático formulado en términos de ecuaciones diferenciales parciales (PDEs) se convierte en ecuaciones diferenciales ordinarias (ODEs). El método BVP4C se emplea para generar un conjunto de datos que abarca varios escenarios de TRHNF-DC al variar los parámetros magnéticos y las nanopartículas. Posteriormente, el solucionador inteligente LM-NN se entrena, prueba y valida para determinar la solución de TRHNF-DC bajo diversas condiciones. La precisión del enfoque LM-NN en la resolución del modelo TRHNF-DC se verifica a través de diferentes análisis, demostrando un alto nivel de precisión, con discrepancias que van desde hasta al comparar con soluciones estándar. La eficacia del marco se destaca aún más por el acuerdo cercano de los resultados recomendados con las soluciones de referencia, validando así su integridad.