El mantenimiento predictivo basado en modelos utilizando datos de alta frecuencia en vuelo requiere gemelos digitales que puedan modelar la dinámica de su gemelo físico con alta precisión. Los modelos de los gemelos deben ser rápidos y actualizables dinámicamente. El aprendizaje automático ofrece la posibilidad de abordar estos desafíos en la modelización del rendimiento transitorio de los motores aéreos. Durante la operación transitoria, el calor transferido entre la estructura del motor y el flujo del anillo juega un papel importante. La modelización del rendimiento diabático se demuestra utilizando mapas de transferencia de calor transitorio no dimensionales y aprendizaje por transferencia para extender la modelización transitoria de turbomáquinas. La forma general de dicho mapa para un sistema simple similar a una tubería es reproducida por una red neuronal de Perceptrón Multicapa. Se entrena utilizando datos de una simulación de elementos finitos. En un siguiente paso, la red se transfiere utilizando mediciones para modelar los transitorios térmicos de un motor aéreo. Solo se necesita un número limitado de parámetros medidos durante maniobras transitorias seleccionadas para generar mapas de transferencia de calor transitorio no dimensionales adecuados. Con estos pasos adicionales, el modelo de rendimiento extendido coincide bien con los transitorios térmicos del motor.