Este papel presenta un modelo de aprendizaje automático para predecir el efecto del contenido de nanopartículas de AlO en las tasas de desgaste en nanocompuestos de Cu-AlO preparados utilizando una técnica química in situ. El modelo desarrollado es una modificación del algoritmo de enlace funcional de vector aleatorio (RVFL) utilizando el algoritmo artificial de colibrí (AHA). El objetivo de usar AHA es encontrar la configuración óptima de RVFL para mejorar la predicción de nanopartículas de AlO. La preparación del compuesto se realizó utilizando nitrato de aluminio que se agregó a una solución que contenía nitrato de cobre disperso. Después de eso, se obtuvieron los polvos de CuO y AlO, y el líquido restante se eliminó mediante un tratamiento térmico a 850 grados Celsius durante 1 h. Los polvos se consolidaron utilizando procesos de compactación y sinterización. La microdureza del nanocompuesto con un contenido de AlO del 12.5% es 2.03 veces mayor que la del cobre puro, mientras que la tasa de desgaste del mismo compuesto se reduce, alcanzando un 55% menos que el cobre puro. Estas propiedades mejoradas se atribuyen a la presencia de nanopartículas de AlO y sus distribuciones homogeneizadas dentro de la matriz. El modelo RVFL-AHA desarrollado pudo predecir las tasas de desgaste de todos los compuestos preparados a diferentes cargas de desgaste y velocidades, con una precisión muy buena, alcanzando casi un 100% y un 99.5% utilizando entrenamiento y pruebas, respectivamente, en términos de coeficiente de determinación R.