El uso del conocimiento basado en teorías en modelos de aprendizaje automático tiene un gran impacto en muchos problemas de ingeniería y física. El crecimiento de los algoritmos de aprendizaje profundo está estrechamente relacionado con una creciente demanda de datos que no son aceptables o disponibles en muchos casos de uso. En este contexto, la incorporación de conocimiento físico o restricciones a priori ha demostrado ser beneficiosa en muchas tareas. Por otro lado, esta colección de enfoques es específica del contexto y es difícil generalizarlos a nuevos problemas. En este documento, comparamos experimentalmente algunas de las estrategias de inyección de teoría más comúnmente utilizadas para realizar un análisis sistemático de sus ventajas. Se reprodujeron algoritmos de vanguardia seleccionados para diferentes casos de uso para evaluar su efectividad con datos de entrenamiento más pequeños y discutir cómo las estrategias subyacentes pueden adaptarse a nuevos contextos de aplicación.