Актуальность. В последнее время нейронные сети все чаще используются для обработки и прогнозирования динамики технологических показателей работы скважин. Однако есть ряд ограничений в их применении для оптимизации системы заводнения. Цель работы. Разработка моделей, позволяющих корректно воспроизвести процесс влияния системы поддержания пластового давления на работу добывающих скважин. Рассмотрена задача моделирования реакции добывающих скважин на изменение режимов закачки воды в нагнетательных скважинах с помощью методов нейросетевого моделирования. Результаты. Предложены подходы к созданию и обучению физико-информированных нейронных сетей для моделирования откликов в добыче нефти по изменениям режимов в системе поддержания пластового давления. Приведены результаты тестирования обучения и прогностических способностей моделей PINN (physics-informed neural network), проведено сравнение с результатами прогнозирования на классической нейронной сети LSTM. Выводы. При гибридном обучении моделей с учетом фактических данных модели PINN позволяют нивелировать ограничения классических нейронных сетей.