El ruido de cualquier tipo puede ser un problema al traducir resultados de simulaciones al mundo real. De repente tenemos que lidiar con tolerancias de construcción, sensores defectuosos o simplemente lecturas ruidosas de sensores. Esto es especialmente evidente en sistemas con muchos parámetros libres, como los utilizados en la computación de reservorio físico. Al abstraer este tipo de fuentes de ruido utilizando intervalos, derivamos un régimen de entrenamiento regularizado para la computación de reservorio utilizando conjuntos de posibles estados de reservorio. Se utilizan simulaciones numéricas para mostrar la efectividad de nuestro enfoque frente a diferentes fuentes de errores que pueden aparecer en escenarios del mundo real y compararlos con enfoques estándar. Nuestros resultados respaldan la aplicación de aritmética de intervalos para mejorar la robustez de las redes de masa-resorte entrenadas en simulaciones.