En el desarrollo de un gemelo digital (DT) para turbinas hidroeléctricas, el modelado dinámico del sistema (por ejemplo, tubería de presión, turbina, control de velocidad) es crucial, junto con toda la interfaz de datos necesaria, virtualización y diseños de paneles de control. Dado que el DT debe imitar con precisión la dinámica real de la turbina hidroeléctrica, se requiere un aprendizaje adaptativo para entrenar estos modelos dinámicos en línea para que los modelos en el DT puedan seguir efectivamente la representación de la dinámica real de la turbina hidroeléctrica con precisión y fiabilidad. Este estudio presenta un método de aprendizaje adaptativo para obtener los modelos de turbinas hidroeléctricas para el desarrollo de DT de sistemas hidroeléctricos utilizando el algoritmo de mínimos cuadrados recursivos. Para simplificar la formulación, se asumió que la turbina hidroeléctrica en consideración operaba cerca de un punto de operación fijo, donde la dinámica del sistema puede ser bien representada por un conjunto de ecuaciones diferenciales lineales con parámetros constantes. En este contexto, el conocido modelo de seis coeficientes para la turbina Francis se formuló como punto de partida para obtener modelos de entrada y salida para la turbina. Luego, se desarrolló un mecanismo de aprendizaje adaptativo para aprender los parámetros del modelo utilizando datos en tiempo real de un sistema de prueba de turbina hidroeléctrica. Esto llevó a la modelización semi-física, en la que se integran los principios fundamentales y la modelización basada en datos para producir modelos dinámicos para el desarrollo de DT. Se realizaron aplicaciones a un sistema piloto en la Universidad Noruega de Ciencia y Tecnología (NTNU), y los modelos se aprendieron de manera adaptativa utilizando los datos recopilados del sistema piloto de la universidad. Se obtuvieron los resultados deseados de modelado y validación.