Entender las propiedades reológicas de las lechadas de cemento fresco es esencial para mantener una bombeabilidad óptima, lograr una aislamiento zonal confiable y preservar la integridad a largo plazo del pozo en las operaciones de cementación de petróleo y gas, así como en la industria de impresión 3D de cemento y concreto. Sin embargo, modelar de manera precisa y eficiente el comportamiento reológico de las lechadas de cemento sigue siendo un desafío debido a las complejas propiedades fluidas de las lechadas de cemento fresco, que exhiben un comportamiento no newtoniano y tixotrópico. Los solucionadores numéricos tradicionales generalmente requieren generación de mallas y cálculos intensivos, lo que los hace menos prácticos para problemas de alta dimensión y escasez de datos. En este estudio, se desarrolla un marco basado en una red neuronal informada por la física (PINN) para resolver las ecuaciones gobernantes del flujo de lechada de cemento en estado estacionario en un canal inclinado. La lechada se modela como un fluido no newtoniano con viscosidad dependiente tanto de la tasa de corte como de la fracción de volumen de partículas. El enfoque basado en PINN incorpora leyes físicas en la función de pérdida, ofreciendo soluciones sin malla con una fuerte capacidad de generalización. Los resultados muestran que las PINN capturan con precisión la tendencia de los perfiles de velocidad y fracción de volumen bajo diferentes parámetros de material y flujo. En comparación con los solucionadores convencionales, la solución PINN ofrece una alternativa más eficiente y flexible para modelar el comportamiento reológico complejo en escenarios con limitaciones de datos. Estos hallazgos demuestran el potencial de las PINN como una herramienta robusta para el modelado reológico de lechadas de cemento, particularmente en escenarios donde los solucionadores tradicionales son imprácticos. El trabajo futuro se centrará en mejorar la precisión del modelo a través de estrategias de aprendizaje híbrido que incorporen datos etiquetados, lo que podría permitir un modelado predictivo en tiempo real para aplicaciones en campo.