Aunque los modelos de Aprendizaje Profundo (DL) se han introducido en varios campos como herramientas efectivas de predicción, a menudo no se preocupan por la incertidumbre. Esto puede ser una barrera para su adopción en aplicaciones del mundo real. El presente artículo tiene como objetivo aplicar y evaluar el dropout de Monte Carlo (MC), un enfoque computacionalmente eficiente, para investigar la fiabilidad de varios modelos de Redes Neuronales Convolucionales (CNN) basados en conexiones de salto, manteniendo su alta precisión. Para ello, se considera un problema de regresión de alta dimensionalidad en el contexto de modelado del flujo de fluidos subterráneos utilizando 376,250 muestras generadas. Los resultados demuestran la efectividad del dropout de MC en términos de fiabilidad con una Desviación Estándar (SD) de 0.012-0.174, y de precisión con un coeficiente de determinación (R) de 0.7881-0.9584 y un Error Cuadrático Medio (MSE) de 0.0113-0.0508, respectivamente. Los hallazgos de este estudio pueden contribuir a la distribución de presión en el desarrollo de campos de petróleo/gas.