Este artículo examina las posibilidades de adaptar soluciones aproximadas de problemas de valores límite para ecuaciones diferenciales utilizando redes neuronales informadas por física (PINNs) a cambios en los datos sobre la entidad física que se está modelando. Se consideran dos tipos de modelos: PINN y PINN paramétrico (PPINN). El primero se construye para un parámetro fijo del problema, mientras que el segundo incluye el parámetro para el número de variables de entrada. Los modelos se prueban en tres problemas. El primer problema implica modelar la flexión de una barra en voladizo bajo cargas variables. La segunda tarea es un problema no estacionario de una explosión térmica en el caso de paralelismo de planos. El modelo inicial se construye en base a una ecuación diferencial ordinaria, mientras que el objeto de modelado satisface una ecuación diferencial parcial. La tercera tarea es resolver una ecuación diferencial parcial de tipo mixto dependiente del tiempo. En todos los casos, los modelos iniciales se adaptan a las correspondientes pseudo-mediciones generadas en base a ecuaciones cambiantes. Se realizan una serie de experimentos para cada problema con diferentes funciones de un parámetro que refleja el carácter de los cambios en el objeto. Un análisis comparativo de la calidad de los modelos PINN y PPINN y su resistencia a los cambios de datos se ha llevado a cabo por primera vez en este estudio.