Las estructuras de superficies mínimas periódicas triplemente (TPMS) proporcionan altas relaciones de área superficial a volumen y caminos de conducción ajustables, pero predecir su comportamiento térmico a través de diferentes materiales metálicos sigue siendo un desafío porque la experimentación con múltiples materiales es costosa y las simulaciones a gran escala requieren mallas extremadamente finas para resolver la geometría compleja. Este estudio desarrolla una red neuronal informada por la física (PINN) que reconstruye campos de temperatura en estado estacionario en estructuras TPMS Gyroid utilizando solo dos materiales medidos experimentalmente, aluminio y plata, que fueron probados bajo condiciones idénticas de flujo de calor y flujo. El modelo incorpora la física de la relación de conductividad, escalado térmico basado en Fourier y perfiles de temperatura espacial completos directamente en el proceso de aprendizaje para mantener la consistencia física. La validación utilizando los conjuntos de datos completos de aluminio y plata confirma una excelente concordancia para el aluminio y una fuerte precisión para la plata a pesar de sus mayores gradientes de temperatura. Una vez entrenada, la PINN puede generalizar el comportamiento aprendido a nueve metales adicionales utilizando solo sus relaciones de conductividad, sin requerir nuevos experimentos o simulaciones numéricas. También se realiza un análisis detallado de transferencia de calor para el magnesio, un material ligero que se considera cada vez más para aplicaciones de gestión térmica. Dado que actualmente no existen mediciones TPMS publicadas para el magnesio, los números de Nusselt predichos obtenidos de los campos de temperatura generados por la PINN representan la primera evaluación basada en modelos de su rendimiento convectivo. Los resultados demuestran que la PINN propuesta proporciona un modelo sustituto eficiente, preciso y escalable para predecir el comportamiento térmico a través de múltiples estructuras TPMS metálicas y apoya el diseño y la selección de materiales para tecnologías avanzadas de calor poroso.