Die vielfältigen und stetig steigenden Anforderungen an die rohstoffverarbeitende Industrie ¿ wie beispielsweise hinsichtlich Energieeffizienz, CO2-Neutralität und Produktqualität ¿ erfordern innovative Regelungslösungen, um die zum Einsatz gelangenden Aufbereitungsprozesse und -verfahren auch in Zukunft wirtschaftlich betreiben zu können. Diese Arbeit beschäftigt sich mit einem Ansatz, der auf maschinellem Lernen und speziell auf Reinforcement Learning basiert, um ein flexibles und adaptives Regelungssystem für Trockenmahlkreisläufe zu entwickeln. Dabei stehen Schlüsselfaktoren und Einflussgrößen vom Anlagenbetrieb im Mittelpunkt. Ein datenbasierter digitaler Zwilling des Mahlkreislaufs dient hierbei als leistungsstarkes Werkzeug für simulierte Betriebsänderungen und ermöglicht somit das Testen von neuwertigen Einstellwerten, ohne den realen Anlagenbetrieb negativ zu beeinflussen. Zusätzlich wurde eine anlagenspezifische Trainingsumgebung für Reinforcement Learning-Algorithmen konzipiert, die sich an die realen Eigenschaften von Mahlkreisläufen anpassen lässt und somit als Basis für das Anlernen von intelligenten Regelungsalgorithmen herangezogen werden kann. Die im Rahmen der vorliegenden Dissertation durchgeführte Forschungsarbeit kombiniert Simulation und algorithmische Modellierung und zeigt damit das Potenzial von maschinellem Lernen für verbesserte und industrietaugliche Regelungsansätze. Das entwickelte Regelungsframework wurde in einer semi-industriellen Umgebung unter Nutzung eines digitalen Zwillings rigoros getestet, um seine Effektivität und Einsatzbereitschaft für reale industrielle Anwendungen zu validieren. Ein entsprechendes industrielles Layout für den Einsatz im Bereich des Edge-Computing bringt Zuverlässigkeit und Benutzerfreundlichkeit in das System ein. Ergänzende Beiträge erforschen das "Human-in-the-Loop" Konzept und adressieren Fragen der Sicherheit, rechtlicher Rahmenbedingungen und der Skalierbarkeit des Systems. Diese Arbeit liefert eine solide Grundlage für zukünftige wissenschaftliche Untersuchungen und bietet eine praxisnahe Lösung für industrielle Anwendungen. Sie erweitert den aktuellen Wissensstand im Bereich der Mineralverarbeitung um die Möglichkeiten, die maschinelles Lernen und insbesondere Reinforcement Learning bieten.