La efectividad de un soporte elástico para turbinas eólicas en la reducción de vibraciones impacta significativamente la vida útil de la unidad. Durante el proceso de diseño estructural, es necesario considerar la influencia de los parámetros de diseño estructural en múltiples indicadores de rendimiento. Si bien las redes neuronales pueden ajustar las relaciones entre los parámetros de diseño en múltiples indicadores de rendimiento, los métodos de modelado tradicionales a menudo aíslan múltiples tareas, obstaculizando el aprendizaje sobre las correlaciones entre tareas y reduciendo la eficiencia. Además, adquirir datos de entrenamiento a través de experimentos físicos es costoso y produce datos limitados, insuficientes para un entrenamiento efectivo del modelo. Para abordar estos desafíos, esta investigación introduce un método de generación de datos utilizando un modelo de gemelo digital, simulando condiciones físicas para generar datos a un costo menor. A partir de esto, se desarrolla un modelo de predicción multi-tarea de Mezcla de Expertos de Múltiples Puertas con un módulo de Memoria a Largo y Corto Plazo (MMoE-LSTM). LSTM mejora la capacidad del modelo para extraer características no lineales de los datos, mejorando el aprendizaje. Además, se emplea una estrategia de ponderación dinámica, basada en la ponderación del coeficiente de variación y la regresión de crestas, para automatizar los ajustes de peso de pérdida y abordar los desequilibrios en el aprendizaje multi-tarea. El modelo propuesto, validado en conjuntos de datos creados utilizando el modelo de gemelo digital, logró más del 95% de precisión predictiva para múltiples tareas, demostrando que este método es efectivo.