Para mejorar la modelización unificada del flujo de cavidad impulsado por tapa en dos dimensiones y en estado estacionario a través de un amplio rango de números de Reynolds, este estudio propone una Red Neuronal Informada por la Física Mejorada por Vorticidad (VE-PINN). El método aumenta una PINN estándar de velocidad-presión con un residuo de transporte de vorticidad y utiliza una incrustación de número de Reynolds logarítmico, log10Re, para el entrenamiento de múltiples regímenes. Usando datos de referencia de CFD como supervisión y evaluación, realizamos estudios de ablación sistemáticos sobre la arquitectura de la red, el peso de la pérdida, la densidad de muestreo, la incrustación de entrada y la restricción física sobre Re=1000-50000, junto con pruebas de extrapolación fuera de rango. Los resultados muestran que la incrustación de número de Reynolds logarítmico mejora la estabilidad del entrenamiento entre regímenes y reduce el error relativo medio de múltiples regímenes, mientras que la restricción de transporte de vorticidad mejora la reconstrucción de campos de velocidad y estructuras vórtices secundarias con solo un aumento modesto en el costo de entrenamiento. Comparaciones adicionales basadas en campos de contorno, perfiles de velocidad en la línea central, ubicaciones del núcleo del vórtice e intensidad de vorticidad indican que VE-PINN proporciona una mayor precisión, consistencia física y generalización en relación con la PINN base en el presente benchmark. Estos hallazgos sugieren que, para el problema de flujo de cavidad en estado estacionario considerado aquí, combinar la incrustación de parámetros logarítmicos con una restricción física a nivel de derivadas es una estrategia práctica y efectiva para la modelización de PINN paramétrico.