Nuestro objetivo en este trabajo es demostrar cómo las redes neuronales informadas por la física, un tipo de tecnología de aprendizaje profundo, pueden ser utilizadas para examinar las propiedades mecánicas de una pala de helicóptero. La pala se considera como una viga en voladizo prismática unidimensional expuesta a carga triangular, y comprender su comportamiento mecánico es de suma importancia en el campo aeroespacial. Los PINNs utilizan la información física, incluyendo ecuaciones diferenciales y condiciones de contorno, dentro de la función de pérdida de la red neuronal para aproximar la solución. Nuestro enfoque determina la pérdida general mediante la agregación de las pérdidas de la ecuación diferencial, las condiciones de contorno y los datos. Empleamos una red neuronal informada por la física (PINN) y una red neuronal artificial (ANN) con hiperparámetros equivalentes para resolver una ecuación diferencial de cuarto orden. Al comparar el rendimiento del modelo PINN con la solución analítica de la ecuación y los resultados obtenidos del modelo ANN, hemos demostrado de manera concluyente que el modelo PINN exhibe una precisión, robustez y eficiencia computacional superiores al abordar ecuaciones diferenciales de alto orden que rigen problemas basados en la física. En conclusión, el estudio demuestra que PINN ofrece una alternativa superior para abordar problemas de mecánica de sólidos con aplicaciones en la industria aeroespacial.