El modelado de sistemas físicos basado en aprendizaje automático ha atraído un interés significativo en los últimos años. Basados únicamente en las ecuaciones físicas subyacentes y en las condiciones iniciales y de contorno, estos nuevos enfoques permiten aproximar, por ejemplo, el flujo complejo de sangre en el caso de la dinámica de fluidos. Las redes neuronales informadas por la física ofrecen ciertas ventajas en comparación con los métodos convencionales de dinámica de fluidos computacional, ya que evitan la necesidad de mallas discretizadas y permiten resolver problemas inversos e integrar datos adicionales en los algoritmos. Hoy en día, la mayoría de los informes publicados sobre modelado de flujo basado en aprendizaje se basa en redes neuronales completamente conectadas. Sin embargo, cada año se introducen muchas arquitecturas de red diferentes en el aprendizaje profundo, cada una con beneficios específicos para ciertas aplicaciones. En este artículo, presentamos la primera comparación integral de varias redes de última generación y evaluamos su rendimiento en términos de costo computacional y precisión en relación con referencias numéricas. Encontramos que, si bien las redes completamente conectadas ofrecen un equilibrio atractivo entre el tiempo de entrenamiento y la precisión, arquitecturas más elaboradas (por ejemplo, el Método de Galerkin Profundo) generaron resultados superiores. Además, observamos una alta precisión en geometrías cilíndricas simples, pero estimaciones ligeramente peores en aneurismas complejos. Este artículo proporciona orientación cuantitativa para los profesionales interesados en el modelado de flujos complejos utilizando aprendizaje profundo basado en la física.