El diseño de nuevos materiales es una tarea bastante difícil debido a las diversas escalas de tiempo y longitud y las incertidumbres asociadas. El principal desafío es incluir todo esto en un modelo convencional. Los modelos de hiperparámetros en el aprendizaje automático se pueden utilizar para superar estos problemas. En este artículo, se desarrolla un modelo de red neuronal artificial (ANN) para estimar los parámetros elásticos efectivos de compuestos reforzados con fibra unidireccional utilizando elementos de volumen representativos (RVE) considerando la incertidumbre en el diámetro de la fibra. La distribución de probabilidad del diámetro se construye a partir de las imágenes en escala de grises adquiridas mediante operaciones de procesamiento de imágenes. La expansión de Caos Polinómico Generalizado (gPC) se utiliza luego para representar la distribución como un parámetro de entrada aleatorio para el análisis de elementos finitos, a partir del cual se realizan los parámetros efectivos. De manera similar, las salidas del modelo de elementos finitos, es decir, los parámetros elásticos, se aproximan mediante expansiones gPC que tienen coeficientes deterministas desconocidos y polinomios de Hermite ortogonales aleatorios. Se genera un conjunto de puntos de colocación a partir de las raíces de los polinomios aleatorios; a partir de ahí, se estiman los coeficientes desconocidos. Las muestras de realización se utilizan para entrenar un algoritmo ANN basado en aprendizaje profundo supervisado. El modelo ANN desarrollado se prueba y valida posteriormente para un nuevo conjunto de datos. Se demuestra que el modelo ANN con pocas capas ocultas y neuronas tiene una alta precisión para la estimación de los parámetros elásticos directamente a partir de la información sobre la distribución de los diámetros de fibra.