Este artículo propone una técnica de muestreo estratificado de fidelidad múltiple que utiliza un metamodelo de aprendizaje automático adaptativo para abordar el problema de que las técnicas existentes de reducción de la varianza aún requieren una evaluación exhaustiva del modelo en simulaciones probabilísticas para el análisis de eventos poco frecuentes. Un metamodelo basado en aprendizaje profundo se entrena en un conjunto de datos de alta fidelidad y se utiliza como modelo de baja fidelidad. Una técnica de entrenamiento adaptativo equilibra la precisión de aproximación y el coste computacional. Los resultados del modelo de baja fidelidad se integran con resultados adicionales de alta fidelidad para estimar la probabilidad de fallo en cada nivel mediante un marco de Monte Carlo de fidelidad múltiple. La probabilidad de fallo global se calcula utilizando el teorema de probabilidad global. Las simulaciones de carga de viento en un edificio alto demuestran que la técnica propuesta puede estimar con precisión las curvas de probabilidad de excedencia, a la vez que reduce significativamente los costes computacionales en comparación con las técnicas existentes de reducción de la varianza de fidelidad simple.
