La predicción precisa del índice abrasivo del carbón (AI) es crítica para optimizar la eficiencia del procesamiento del carbón y minimizar el desgaste del equipo en aplicaciones industriales. Este estudio explora modelos de aprendizaje automático basados en árboles; Random Forest (RF), Gradient Boosting Trees (GBT) y Extreme Gradient Boosting (XGBoost) para predecir el AI utilizando propiedades seleccionadas del carbón. Se utilizó una base de datos de 112 muestras de carbón del campo de carbón de KwaZulu-Natal en Sudáfrica. Las predicciones iniciales utilizando las ocho propiedades de entrada revelaron un rendimiento de prueba subóptimo (R: 0.63-0.72), atribuido a valores atípicos y datos ruidosos. El análisis de importancia de características identificó el valor calorífico, el cuarzo, la ceniza y la pirita como predictores dominantes, alineándose con sus roles fisicoquímicos en la abrasividad. Después de la limpieza de datos y la selección de características, XGBoost logró una precisión superior (R = 0.92), superando a RF (R = 0.85) y GBT (R = 0.81). Los resultados destacan la robustez de XGBoost en la modelización de relaciones no lineales entre las propiedades del carbón y el AI. Este enfoque ofrece una alternativa rentable a los métodos de laboratorio tradicionales, permitiendo a las industrias optimizar la selección de carbón, reducir costos de mantenimiento y mejorar la sostenibilidad operativa a través de la toma de decisiones basada en datos. Además, el contenido de cuarzo y ceniza se identificó como los parámetros más influyentes en el AI utilizando la técnica de Amplitud Coseno, mientras que el valor calorífico tuvo el menor impacto entre las características seleccionadas.