En este trabajo, extendemos la formulación de las redes convolucionales de grafos basadas en el espacio con una nueva arquitectura, llamada red neuronal informada por grafos (GINN). Esta nueva arquitectura está diseñada específicamente para tareas de regresión en datos estructurados en grafo que no son adecuados para las conocidas redes neuronales de grafos, como la regresión de funciones con el dominio y codominio definidos en dos conjuntos de valores para los vértices de un grafo. En particular, formulamos una nueva capa informada por grafos (GI) que explota la matriz adyacente de un grafo dado para definir las conexiones de unidades en la arquitectura de la red neuronal, describiendo una nueva operación de convolución para las entradas asociadas con los vértices del grafo. Estudiamos los nuevos modelos GINN con respecto a dos problemas de prueba de flujo máximo de redes de flujo estocástico. Los GINNs muestran habilidades de regresión muy buenas e interesantes potencialidades. Además, concluimos describiendo una aplicación del mundo real de los GINNs a un problema de regresión de flujo en redes subterráneas de fracturas.