En fiabilité, les machines à vecteurs supports (SVM) sont utilisées pour séparer domaine de sûreté et domaine de défaillance et ainsi classer une population de Monte Carlo en deux sous-populations. Cela permet par la suite d’évaluer à moindre coût la probabilité de défaillance d’un système par échantillonnage. La construction du classificateur SVM repose sur des observations : ici des appels à un code de calcul éléments finis. Le maillage introduit une erreur de discrétisation qui pollue l’estimation de la probabilité de défaillance. Nous proposons 2 approches exploitant les estimateurs d’erreur de discrétisation a posteriori pour améliorer la reconstruction d’un état-limite par SVM.