Las redes neuronales informadas por la física (PINN) se pueden utilizar para predecir campos de flujo con un mínimo de datos de entrenamiento simulados o medidos. Dado que la mayoría de los flujos técnicos son turbulentos, se necesitan PINNs basadas en las ecuaciones de Navier-Stokes promediadas por Reynolds (RANS) que incorporen un modelo de turbulencia. Varios estudios han demostrado la capacidad de las PINNs para resolver las ecuaciones de Navier-Stokes para flujos laminares. Sin embargo, se ha publicado poco trabajo sobre la aplicación de las PINNs para resolver las ecuaciones RANS para flujos turbulentos. Este estudio aplicó un enfoque de PINN basado en RANS a un flujo con un escalón hacia atrás a un número de Reynolds de 5100. Se aplicaron el modelo estándar k-, el modelo de longitud de mezcla, un modelo sin ecuaciones y un modelo de tensión pseudo-Reynolds sin ecuaciones. Los resultados se compararon favorablemente con los datos de DNS cuando se proporcionaron tres líneas verticales de datos de entrenamiento etiquetados. Para cinco líneas de datos de entrenamiento, todos los modelos predijeron la capa de cizallamiento separada y el vórtice asociado con mayor precisión.