Un gemelo digital (DT) permite la adquisición y el posterior análisis de grandes cantidades de datos de proceso. Existen varios algoritmos de aprendizaje automático (ML) para el análisis y la predicción que se pueden utilizar en este escenario. Sin embargo, hay muy poco entendimiento sobre el mérito relativo de estos métodos. Este documento propone un marco de DT en el contexto del mantenimiento predictivo en la fabricación inteligente para comparar la eficacia de predicción de los modelos de ML prevalentes. Se desarrollaron modelos basados en datos utilizando algoritmos de aprendizaje automático para predecir la rugosidad de la superficie y el consumo de energía durante una operación de torneado CNC. Se seleccionaron tres parámetros de proceso, a saber, la velocidad de corte, la tasa de alimentación y la profundidad de corte, y dos parámetros dependientes, la rugosidad de la superficie y el consumo de energía, para el desarrollo del modelo. Se probaron siete algoritmos de ML para cada parámetro de respuesta: Regresión Lineal, Regresor XGB, Regresor de Bosque Aleatorio, Ensamble Promedio, Regresor AdaBoost, SVR y MLP. Los resultados del análisis comparativo de los algoritmos de ML mostraron que el Regresor de Bosque Aleatorio es el mejor modelo de predicción para la rugosidad de la superficie, con el R más alto (94.2% +/- 2.4%), el MAE más bajo (0.011 +/- 0.002), el MAPE más bajo (15.6% +/- 4.0%) y el RMSE más bajo (0.017 +/- 0.003), mientras que el Regresor XGB demostró el mejor rendimiento para la predicción del consumo de energía, con el R más alto (98.9% +/- 0.5%), el MAE más bajo (22.513 +/- 4.424), el MAPE más bajo (3.0% +/- 0.5%) y el RMSE más bajo (42.650 +/- 8.933). El algoritmo de aprendizaje automático de mejor rendimiento se utilizó posteriormente en los modelos basados en datos, ayudando a lograr un acabado superficial mejorado. Esto permite el mantenimiento predictivo, reduciendo el consumo de energía para una producción más sostenible.