В статье приведены результаты разработки и анализа моделей физически-информированных нейронных сетей (PINN) для расчета прогиба однопролетной балки под действием равномерно распределённой нагрузки. Для обучения модели был синтезирован набор данных на основе аналитических законов строительной механики, включающий параметры: относительная длина участка измерений 𝑙, количество измерительных точек 𝑁, уровень шума R. Обучающий набор данных содержал 1296 строк, описывающих случайные точки в пределах пролета балки. В рамках исследования обучено 480 моделей PINN для оценки влияния веса физической функции потерь, количества измерений и уровня шума на точность предсказаний. Результаты показали, что модели PINN достигают высокой точности R2 ≥ 0,88 даже при высоком уровне шума R > 20 % и демонстрируют устойчивость к низкому и среднему уровням шума. Исследование выявило, что настройка веса физической функции потерь является одним из ключевым параметров для достижения оптимального баланса функциями потерь физических закономерностей и экспериментальных данных. Увеличение количества измерительных точек положительно влияет на точность при низком уровне шума. Увеличение количества измерительных точек при высоком уровне шума измерений снижает точность предсказаний модели. Научная новизна исследования заключается в предложении подхода к расчету строительных конструкций с использованием PINN, который интегрирует физические законы в процесс обучения. Полученные результаты подтверждают перспективность использования PINN для инженерных расчетов, особенно в условиях ограниченного объема данных.