El alto consumo de energía en las operaciones de reducción de tamaño es uno de los problemas más significativos en relación con la sostenibilidad del beneficio de materias primas. Por lo tanto, se debe realizar una optimización del proceso para reducir el consumo de energía. Este estudio tuvo como objetivo investigar la aplicabilidad de las redes neuronales artificiales (RNA) para predecir las distribuciones de tamaño de partículas (DSP) de los productos de molino. La DSP es una de las fuentes clave de información después del molienda, ya que afecta significativamente los procesos de beneficio posteriores. Por lo tanto, una predicción precisa de la DSP puede contribuir a la optimización del proceso y a la reducción del consumo de energía al evitar el sobre-molienda. En este estudio, las partículas de carbón (-2 mm) se molieron con un molino de varillas bajo diferentes condiciones, y se midieron sus DSP. Las variables estudiadas incluyeron el volumen% (vol.%) de alimentación (partícula de carbón), vol.% de carga de varilla y tiempo de molienda. Nuestros modelos de RNA supervisados se desarrollaron para predecir las DSP y se entrenaron con conjuntos de datos experimentales. Los modelos entrenados se verificaron con otros conjuntos de datos experimentales. Los resultados mostraron que las DSP predichas por la RNA se ajustaron muy bien a los datos experimentales después del entrenamiento. Se calculó el error cuadrático medio (ECM) para cada condición de molienda, con resultados entre 0.165 y 0.965. Además, los modelos de RNA desarrollados pueden predecir las DSP de los productos molidos bajo diferentes condiciones de molienda (es decir, vol.% de alimentación, vol.% de carga de varilla y tiempo de molienda). Los resultados confirmaron la aplicabilidad de las RNA para predecir la DSP y, por lo tanto, la posible contribución a la reducción del consumo de energía mediante la optimización de las condiciones de molienda.