En este trabajo, investigamos la sensibilidad de una familia de Redes Neuronales Profundas (DNN) de múltiples tareas entrenadas para predecir flujos a través de Redes de Fractura Discretas (DFN), variando estocásticamente las transmisividades de las fracturas. En particular, se realizan análisis detallados de rendimiento y fiabilidad de más de doscientas Redes Neuronales (NN), entrenando los modelos en conjuntos de un número creciente de simulaciones numéricas realizadas en varias DFN con dos geometrías fijas (158 fracturas y 385 fracturas) y diferentes configuraciones de transmisibilidad. Se propone una evaluación cuantitativa de las predicciones de las NN entrenadas, y se proporcionan reglas que se ajustan al comportamiento observado para predecir el número de simulaciones de entrenamiento que se requieren para una precisión dada con respecto a la variabilidad en la distribución estocástica de las transmisividades de las fracturas. Se propone una regla para estimar la cardinalidad del conjunto de datos de entrenamiento para diferentes configuraciones. A partir del análisis realizado, se observa una regularidad interesante en los comportamientos de las NN, a pesar de la estocasticidad que impregna todo el proceso de entrenamiento. El enfoque propuesto puede ser relevante para el uso de modelos de aprendizaje profundo como métodos de reducción de modelos en el marco del análisis de cuantificación de incertidumbre para redes de fractura y puede extenderse a problemas geológicos similares (por ejemplo, a los modelos de matriz de fractura discreta más complejos). Los resultados de este estudio tienen el potencial de otorgar ventajas concretas a problemas reales de caracterización de flujos subterráneos, haciendo que los costos computacionales sean menos costosos a través del uso de NN.