El concepto de gemelos digitales (DT) mejora el monitoreo de salud estructural (SHM) tradicional al integrar datos en tiempo real con modelos digitales para el mantenimiento predictivo y la toma de decisiones, combinado con la modelización por elementos finitos (FEM). Sin embargo, la demanda computacional de la modelización por elementos finitos requiere modelos sustitutos para un rendimiento en tiempo real, junto con la necesidad de un análisis estructural inverso para inferir el comportamiento general a través de la respuesta estructural medida de una estructura. Un modelo de aprendizaje automático (ML) basado en FEM es una opción ideal en este contexto, ya que puede ser entrenado para realizar esos cálculos instantáneamente basándose en datos de entrenamiento basados en FEM. Sin embargo, el rendimiento del modelo sustituto depende de la arquitectura del modelo de ML. En este sentido, el estudio actual investiga tres modelos de ML distintos para sustituir la modelización por elementos finitos para DT. Se identificó que todos los modelos demostraron un rendimiento sólido, siendo los modelos basados en árboles los que superaron el rendimiento del modelo de red neuronal (NN). La mayor precisión del modelo sustituto se identificó en el modelo de bosque aleatorio (RF) con un error de 0.000350, mientras que el menor tiempo de inferencia se observó con el algoritmo XGBoost entrenado, que fue de aproximadamente 1 milisegundo. Al aprovechar las capacidades de ML, FEM y DT, este estudio presenta una solución ideal para implementar DT en tiempo real y avanzar en las funcionalidades de los sistemas SHM actuales.