Con la expansión global de la energía geotérmica, la predicción precisa de la presión y la temperatura durante la perforación se ha vuelto esencial para garantizar la seguridad y eficiencia de los pozos geotérmicos. Los métodos numéricos tradicionales, sin embargo, a menudo tienen dificultades para manejar entornos de pozo complejos debido a sus altas demandas de datos y limitada precisión computacional. Para abordar estos desafíos, este artículo presenta un modelo predictivo innovador basado en Redes Neuronales Informadas por la Física (PINNs). Al integrar leyes físicas con aprendizaje profundo, el modelo teóricamente supera las limitaciones de los métodos convencionales. Entrenado con datos de presión y temperatura de un pozo geotérmico en el área de Xiong"an, el modelo demuestra una precisión y robustez excepcionales. Además, el modelo fue rigurosamente probado bajo condiciones extremas de pozo, mostrando sus fuertes capacidades de generalización. Los hallazgos sugieren que las PINNs ofrecen una solución altamente ventajosa para la perforación geotérmica, con un significativo potencial para aplicaciones de ingeniería práctica.