La caja de cambios, como un componente de transmisión importante en los aerogeneradores, conecta las palas al generador y es responsable de convertir la energía eólica en energía mecánica y transmitirla al generador. Su capacidad para reducir vibraciones afecta directamente la vida operativa del aerogenerador. Al diseñar la estructura de soporte elástico de la caja de cambios, es esencial evaluar cómo los parámetros de diseño influyen en diversas métricas de rendimiento. Las redes neuronales ofrecen un medio poderoso para capturar e interpretar las complejas asociaciones que vinculan los parámetros estructurales con las métricas de rendimiento. Sin embargo, las redes neuronales convencionales suelen estar optimizadas para una sola tarea, sin tener en cuenta completamente las diferencias de tareas y la información compartida. Esto puede llevar a conflictos de tareas o a un modelado insuficiente de características, lo que a su vez afecta la eficiencia de aprendizaje de las correlaciones entre tareas. Además, los experimentos físicos son costosos y proporcionan un entrenamiento limitado, lo que dificulta cumplir con los requisitos de conjuntos de datos a gran escala para el entrenamiento de redes neuronales. Para abordar el alto costo y la escalabilidad limitada de las pruebas físicas tradicionales para estructuras de amortiguación de goma de la caja de cambios, en este estudio, proponemos un método de predicción de rendimiento de bajo costo que reemplaza los experimentos costosos con la generación de conjuntos de datos impulsada por simulaciones. Se emplea una técnica de muestreo de hipercubo latino óptimo para generar datos de alta calidad a un costo mínimo. Sobre esta base, se construye un modelo de predicción de múltiples tareas llamado mezcla de expertos de múltiples puertas con LSTM (PLE-LSTM). El mecanismo de compuerta adaptativa, la transformación no lineal jerárquica y la captura efectiva de dinámicas temporales en el LSTM mejoran significativamente la capacidad del modelo para modelar patrones no lineales complejos. Durante el entrenamiento, se utiliza una estrategia de ponderación dinámica llamada GradNorm para contrarrestar problemas como la estabilización temprana en la convergencia de la pérdida de múltiples tareas y la minimización desigual de los valores de pérdida. Finalmente, los experimentos de ablación realizados en diferentes conjuntos de datos validan la efectividad de este enfoque, con resultados experimentales que demuestran su éxito.