El procesamiento de minerales es una etapa crucial en el proceso de minería, que involucra etapas de conminución y concentración. La conminución se modela utilizando diversas variables de mineral y parámetros operativos, representando un sistema complejo. Una alternativa para simplificar la complejidad de estas etapas es adoptar técnicas de aprendizaje automático (ML); sin embargo, el ML a menudo requiere una cantidad sustancial de datos para un entrenamiento y validación efectivos. Se utilizó la metodología de análisis conjunto para desarrollar un procedimiento para discretizar variables de entrada y reducir los datos necesarios para entrenar redes neuronales, requiriendo solo 77 escenarios diferentes. Utilizando los resultados de un simulador de planta de conminución construido en Matlab Simulink, se entrenaron redes neuronales para predecir los parámetros clave de salida, como el consumo de agua, el consumo de energía, los parámetros operativos y el tamaño de partícula generado por la planta. La capacidad predictiva de las redes neuronales fue excelente, logrando R > 0.99 en todos los casos. Las redes fueron probadas con un nuevo conjunto de escenarios para evaluar su respuesta a valores no categorizados en el proceso de discretización, logrando R > 0.98. Sin embargo, se perdió la capacidad de predicción para variables de entrada fuera de rango. Este enfoque es atractivo para desarrollar herramientas de ML fáciles de implementar capaces de representar sistemas complejos sin necesidad de grandes cantidades de datos de entrada, simplificando así el proceso de modelado en el procesamiento de minerales.