La extracción eficiente y económica de hidrocarburos depende de una clara comprensión de la dinámica del flujo de fluidos en los yacimientos subsuperficiales, donde el flujo multifásico en medios porosos plantea desafíos complejos de modelado. Los métodos numéricos tradicionales para resolver las ecuaciones diferenciales parciales (EDP) proporcionan soluciones efectivas pero tienen dificultades con las altas demandas computacionales requeridas para capturar con precisión la dinámica del flujo a pequeña escala. En respuesta, este estudio introduce un marco de red generativa adversarial (GAN) informado por la física para abordar la ecuación de Buckley-Leverett (B-L) con funciones de flujo no convexas. El marco propuesto consta de dos configuraciones novedosas: un Generador GAN Informado por la Física (PIG-GAN) y un GAN Informado por la Dualidad (DI-GAN), ambos de los cuales son rigurosamente probados en escenarios de problemas directos e inversos para la ecuación B-L. Evaluamos el rendimiento del modelo bajo condiciones de datos ruidosos para evaluar la robustez. Nuestros resultados demuestran que estos modelos basados en GAN capturan efectivamente el frente de choque de B-L, mejorando la precisión predictiva al incorporar ecuaciones de flujo de fluidos para garantizar la interpretabilidad del modelo. Este enfoque ofrece un avance significativo en la modelización de entornos subsuperficiales complejos, proporcionando una alternativa eficiente a los métodos tradicionales en aplicaciones de dinámica de fluidos.