Evaluar la probabilidad de fallo para sistemas de ingeniería complejos es una tarea computacionalmente intensiva. Aunque el método de Monte Carlo es fácil de implementar, converge lentamente y, por lo tanto, requiere numerosas simulaciones repetidas de un sistema complejo para generar suficientes muestras. Para mejorar la eficiencia, se proponen métodos basados en modelos sustitutos para aproximar la función de estado límite. En este trabajo, reformulamos la aproximación de la función de estado límite como un problema de aprendizaje de operadores y utilizamos el marco DeepONet con un enfoque híbrido para estimar la probabilidad de fallo. Los resultados numéricos muestran que nuestro método propuesto supera al método híbrido neuronal previo.