La calidad del carbón coquizable es vital en la fabricación de acero, impactando la calidad del producto final y la eficiencia del proceso. Los métodos de pronóstico convencionales a menudo se basan en modelos empíricos y el juicio de expertos, que pueden carecer de precisión y escalabilidad. Investigaciones anteriores han explorado varios métodos para pronosticar los parámetros de calidad del carbón coquizable, sin embargo, estos métodos convencionales a menudo no cumplen con los estándares de precisión y adaptabilidad a diferentes condiciones mineras. Las técnicas de pronóstico existentes para la calidad del carbón coquizable son limitadas en su precisión y escalabilidad, lo que requiere el desarrollo de métodos más precisos y eficientes. Este estudio tiene como objetivo mejorar la precisión y eficiencia del pronóstico de los parámetros de calidad del carbón coquizable mediante el uso de redes neuronales y algoritmos de inteligencia artificial, específicamente en el contexto de las minas de Knurow y Szczyglowice. La investigación implica la recopilación de datos históricos sobre varios parámetros de calidad del carbón coquizable, incluyendo un análisis próximo y ultimate, para entrenar y probar modelos de redes neuronales utilizando el Método de Grupo de Manejo de Datos (GMDH). Los datos del mundo real de las instalaciones de producción de carbón de las minas de Knurow y Szczyglowice forman la base de este estudio de caso. La integración de redes neuronales y técnicas de inteligencia artificial mejora significativamente la precisión de la predicción de parámetros clave de calidad como el contenido de cenizas, el contenido de azufre, la materia volátil y el valor calorífico. Este estudio también examina el impacto de estos indicadores de calidad en los costos operativos y destaca la importancia de indicadores finales como el Índice de Reactividad del Coque (CRI) y la Resistencia del Coque después de la Reacción (CSR) en la expansión de conceptos de reservas industriales. El rendimiento del modelo se evalúa utilizando métricas como el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el coeficiente de determinación (R). Los hallazgos demuestran la efectividad de estas técnicas avanzadas en la mejora del modelado predictivo en la industria minera, optimizando los procesos de producción y mejorando la eficiencia operativa general. Además, esta investigación ofrece perspectivas sobre la implementación práctica de herramientas de análisis avanzadas para el mantenimiento predictivo y el apoyo a la toma de decisiones dentro del sector minero.