This thesis evaluates the efficacy of Physics-Informed Neural Networks (PINNs) in simulating fluid dynamics challenges, focusing on the Burgers' equation and the lid-driven cavity problem, to develop a robust PINN framework for nuclear engineering applications such as the Sustainable Nuclear Energy Research In Sweden (SUNRISE) project. The research compares various PINN models to traditional Computational Fluid Dynamics (CFD) simulations to enhance predictive accuracy and computational efficiency for reactor design. The study analyses and optimises diverse PINN configurations, employing automatic and numerical differentiation techniques and their integrative approaches, while investigating the incorporation of advanced artificial viscosity methods to augment model robustness and address limitations of standalone PINN methods. Results show that enhanced PINN strategies achieve superior accuracy in solving the Burgers' equation and the lid-driven cavity problem at increased Reynolds numbers. For the Burgers' equation, one method with artificial viscosity achieved a Mean Squared Error (MSE) of 1.19⨉10⁻³. For the lid-driven cavity problem at Re 1000, another method without artificial viscosity yielded MSEs of 2.27⨉10⁻⁴, 9.54⨉10⁻⁵, and 1.81⨉10⁻⁵ for u, v, and p, respectively. These advancements highlight the potential of PINNs in nuclear engineering applications, particularly in tackling flow-accelerated corrosion and erosion in lead-cooled fast reactors within the SUNRISE project. / Denna avhandling utvärderar effektiviteten av Physics-Informed Neural Networks (PINNs) vid simulering av fluiddynamikutmaningar, med fokus på Burgers’ ekvation och problem med lockdriven kavitet, för att utveckla en robust PINN-ram för tillämpningar inom kärnteknik, såsom Sustainable Nuclear Energy Research i Sverige (SUNRISE) projekt. Forskningen jämför olika PINN-modeller med traditionella Computational Fluid Dynamics (CFD) simuleringar för att förbättra prediktiv noggrannhet och beräknings effektivitet för reaktordesign. Studien analyserar och optimerar olika PINN-konfigurationer, genom att använda automatiska och numeriska differentieringstekniker och deras integrerade tillvägagångssätt, samtidigt som den undersöker införandet av avancerade artificiella viskositet metoder för att öka modellens robusthet och åtgärda begränsningarna hos enskilda PINN-metoder. Resultaten visar att förbättrade PINN-strategier uppnår överlägsen noggrannhet i lösningen av Burgers’ ekvation och problem med lockdriven kavitet vid ökade Reynolds-nummer. För Burgers’ ekvation uppnådde en metod med artificiell viskositet ett medelkvadratiskt fel (MSE) på 1,19⨉10⁻³. För problem med lockdriven kavitet vid Re 1000 uppnådde en annan metod utan artificiell viskositet MSE på 2,27⨉10⁻⁴, 9,54⨉10⁻⁵ och 1,81⨉10⁻⁵ för u, v och p, respektive. Dessa framsteg framhäver potentialen hos PINNs i kärntekniska tillämpningar, särskilt i att hantera flödesaccelererad korrosion och erosion i blykylda snabba reaktorer inom SUNRISE-projektet.