Durante unas pocas décadas, el aprendizaje automático ha sido ampliamente utilizado para la investigación de la turbulencia. El objetivo de este trabajo es investigar la reconstrucción de la turbulencia a partir de conjuntos de datos mínimos o de menor resolución como entradas utilizando modelos de orden reducido. Este trabajo busca reconstruir de manera efectiva campos de flujo turbulento 3D de alta resolución utilizando aprendizaje profundo informado por la física y no supervisado. El primer objetivo de este estudio es reconstruir campos de flujo de canal turbulento y verificar estos con respecto a las estadísticas. El segundo objetivo es comparar las estructuras de flujo turbulento generadas por un GAN con un DNS. El algoritmo de aprendizaje profundo propuesto replicó efectivamente las estadísticas de primer y segundo orden de los flujos de canal turbulento de Re= 180 dentro de un error del 2% y 5%, respectivamente. Además, al incorporar correcciones basadas en la física a las funciones de pérdida, el algoritmo propuesto también pudo reconstruir 2 estructuras. Los resultados sugieren que el algoritmo propuesto puede ser útil para reconstruir una variedad de flujos turbulentos 3D dados los esfuerzos computacionales y experimentales.