پارامترهای مربوط به تولید شامل سرعت و زمان آسیاب کاری و نسبت وزنی گلوله به پودر و همچنین ویژگی های مربوط به تقویت کننده در مورد آلومینا، اندازه ذرات نانوذره و مقدار تقویت کننده و در مورد نانولوله کربنی چند دیواره، قطرخارجی نانولوله، طول نانولوله و مقدار نانولوله در نظر گرفته شدند. به منظور پیش بینی هر کدام از خواص مکانیکی مورد نظر، با توجه به جنس تقویت کننده یک شبکه عصبی مصنوعی طراحی شد. کدهای مربوط به مدل سازی هرکدام از شبکه های عصبی در نرم افزار متلب نوشته شدند. برای بررسی صحت انتخاب ساختار شبکه های عصبی در هر مورد، نتایج شبکه هایی با هندسه های متفاوت با یکدیگر مقایسه شدند. همچنین به منظور تعیین دقت وصحت پاسخ های شبکه های طراحی شده، میانگین مربعات خطا، میانگین خطای داده های تست، نمودارهای رگرسیون و روند پیش بینی های ویژگی های مکانیکی در مرحله یادگیری مورد بررسی قرار گرفتند. در تمامی شبکه های طراحی شده، مقدار r2 در نمودار رگرسیون اختلاف ناچیزی با یک دارد. نزدیک بودن ضریب رگرسیون به یک، نشان دهنده اختلاف بسیار کم پاسخ های شبکه و نتایج تجربی می باشد. در تمامی موارد میانگین خطای داده های تست کمتر از 4 درصد می باشد که بیان گر قابل اعتماد بودن نتایج پیش بینی های شبکه های عصبی است. به منظور صحت سنجی مدل سازی ها، دو نمونه نانوکامپوزیت شامل 2 و 5 درصد حجمی آلومینا، ساخته شدند و تست سختی ویکرز برای آن ها انجام شد. از مقایسه پاسخ های شبکه طراحی شده برای پیش بینی سختی نانوکامپوزیت آلومینیوم-آلومینا در مرحله تست با نتایج تجربی، مشخص شد مدل سازی ها دارای خطای 4.39 درصد می باشند. این مقدار خطا، نشان دهنده صحت پیش بینی های شبکه می باشد.