Abordando las propiedades excepcionales de los compuestos de aleación de aluminio reforzados con grafeno, este estudio presenta un enfoque de aprendizaje automático interpretable para ayudar en el diseño rápido y eficiente de dichos materiales. Inicialmente, se recopilaron y optimizaron datos sobre estos compuestos para crear un conjunto de datos de composición/proceso-propiedad. Se utilizaron varios algoritmos de aprendizaje automático para entrenar diferentes modelos. Se empleó el método SHAP para interpretar y seleccionar el modelo de mejor rendimiento, que resultó ser el modelo CatBoost. El modelo logró predicciones precisas de dureza y resistencia a la tracción, con coeficientes de determinación de 0.9597 y 0.9882, respectivamente, y errores relativos promedio de 6.02% y 5.01%, respectivamente. Los resultados obtenidos del método SHAP revelaron la correlación entre la composición, el proceso y las propiedades de los compuestos de aleación de aluminio reforzados con grafeno. Al comparar los datos predichos y experimentales en este estudio, todos los modelos de aprendizaje automático mostraron errores de predicción dentro del 10%, confirmando su capacidad para generalizar. Este estudio ofrece valiosos conocimientos y apoyo para el diseño de compuestos de matriz de aluminio de alto rendimiento reforzados con grafeno y muestra la implementación del aprendizaje automático en la ciencia de materiales.