Las redes neuronales informadas por la física (PINNs) han surgido como un enfoque prometedor para simular sistemas físicos no lineales, particularmente en el campo de la dinámica de fluidos y la modelización de turbulencias. Los modelos de turbulencia tradicionales a menudo se basan en suposiciones simplificadoras o modelos numéricos cerrados, que simplifican el flujo, lo que lleva a predicciones de flujo inexactas o largos tiempos de resolución. Este estudio examina las restricciones del solucionador en un solucionador PINNs, con el objetivo de generar una comprensión de un solucionador PINNs óptimo con restricciones reducidas en comparación con los modelos numéricamente cerrados utilizados en la dinámica de fluidos computacional (CFD) tradicional. Se implementaron PINNs en un caso de flujo en una colina periódica y se compararon con un enfoque simple basado en datos para la modelización de redes neuronales para mostrar las limitaciones de un modelo basado en datos en un conjunto de datos pequeño (como es común en el diseño de ingeniería). Un modelo estándar de PINNs con ecuaciones completas y términos de estrés de primer orden predichos se comparó con modelos de frontera reducida y modelos de orden reducido, con diferentes niveles de suposiciones sobre el flujo para monitorear el efecto en las predicciones del campo de flujo. Los resultados en todos los casos mostraron una buena concordancia con los datos de simulación numérica directa (DNS), con solo condiciones de frontera proporcionadas para el entrenamiento, como en la modelización numérica. La eficacia de los modelos de orden reducido se demostró utilizando un modelo solo de continuidad para predecir con precisión los campos de flujo dentro de errores porcentuales de 0.147 y 2.6 para las velocidades en dirección de flujo y transversales, respectivamente, y se utilizó un modelo de longitud de mezcla modificado para mostrar el efecto de malas suposiciones en el modelo, incluida una mala convergencia en las fronteras del flujo, a pesar de un tiempo de resolución reducido en comparación con un conjunto de ecuaciones numéricamente cerrado. Los resultados coinciden con la literatura contemporánea, indicando que las redes neuronales informadas por la física son una mejora significativa en el tiempo de resolución en comparación con un enfoque basado en datos, con una propuesta novedosa de conjuntos de ecuaciones no cerradas derivadas numéricamente que representan bien un sistema turbulento. En conclusión, se demuestra que los sistemas numéricamente no cerrados pueden resolverse de manera eficiente utilizando conjuntos de ecuaciones de orden reducido, lo que podría llevar a una reducción en los requisitos de computación en comparación con los métodos de solución tradicionales.