Les amas de galaxies sont les plus grandes structures gravitationnellement liées de l'Univers. Ils sont communément séparés en trois catégories, basées sur la distribution du gaz intra-amas. Ce gaz peut être très concentré vers le centre de l'amas, il peut être réparti dans l'amas de manière plutôt uniforme, ou encore il peut avoir une distribution légèrement piquée vers le centre dans un cas intermédiaire. Une autre distinction entre les trois catégories est l'interaction entre le trou noir supermassif se trouvant au centre de l'amas de galaxies et le gaz intra-amas environnant. Dans le cas de la première catégorie, lorsque le gaz est concentré au centre de l'amas, le trou noir est dit "actif". Il produit alors des jets, qui à leur tour injectent de l'énergie dans le gaz intra-amas sous forme d'ondes sonores, d'ondes de choc et de turbulence. Les amas de galaxies offrent donc une opportunité très intéressante pour étudier ce mécanisme d'échange d'énergie. Afin de mieux caractériser ces processus, il est essentiel d'avoir des méthodes robustes pour classifier les amas de galaxies selon les trois catégories. Il existe plusieurs propriétés pouvant être utilisées comme métriques de classification, mais celles-ci ne sont pas toujours en accord les unes avec les autres. Ces propriétés ont été étudiées pour des petits échantillons d'amas de galaxies, analysés de manière individuelle avec des méthodes traditionnelles. Cependant, avec le développement de puissants instruments d'observation tels que eROSITA, on s'attend à obtenir des échantillons contenant environ 100 000 amas de galaxies. Étant donné la taille de ces ensemble de données, il devient nécessaire d'avoir un moyen rapide, efficace et automatique pour les traiter. On a donc recours à l'apprentissage automatique pour accélérer l'analyse. Ce mémoire présente une analyse des propriétés du gaz intra-amas avec des méthodes d'apprentissage automatique. On se sert des simulations cosmologiques IllustrisTNG pour obtenir des images en rayons X d'amas de galaxies, à partir desquelles on construit notre ensemble de données. On s'intéresse à cinq propriétés du gaz intra-amas contenu dans les amas de galaxies, qui sont couramment utilisées comme métriques de classification: le temps de refroidissement central, la densité électronique centrale, l'excès d'entropie centrale, le paramètre de concentration de la brillance de surface et le paramètre de courbure du profil de densité. On explore les relations entre ces différentes métriques, puis on implémente un réseau de neurones qui vise à prédire leur valeur à partir d'une image en rayons X d'un amas de galaxies. Notre réseau atteint une pourcentage d'erreur moyen de 1.8% pour les prédictions de la métrique la plus performante, c'est-à-dire le temps de refroidissement central. Ensuite, afin d'estimer les incertitudes sur les résultats obtenus, on effectue une analyse probabiliste de nos prédictions à l'aide de la méthode de l'inférence sans vraisemblance. On utilise également une méthode de partitionnement de données qui rassemble les images en rayons-X en trois groupes distincts; on constate que ce regroupement corrèle fortement avec la division des mêmes images en utilisant le paramètre de concentration comme métrique de classification. L'ensemble de ce travail permet de conclure que le temps de refroidissement central et la concentration sont les métriques se prêtant le mieux à une analyse avec des méthodes d'apprentissage automatique, ainsi que de mettre en place les outils qui serviront à caractériser les futurs échantillons d'amas de galaxies. / Galaxy clusters are the largest gravitationally bound structures of the universe. They are commonly divided into three categories, based on the distribution of the intracluster gas. In one case, the gas is strongly concentrated towards the center of the cluster. In another case, it is rather uniformly dispersed through the cluster. In a third intermediate case, the distribution is slightly peaked towards the center. The three categories also differ by the interaction between the gas and the supermassive black hole located at the center of the cluster. In the first category, the black hole is said to be 'active' and it produces jets that heat up the intracluster gas through shock waves, sound waves and turbulence. The feedback mechanism from the black hole is not entirely understood, and galaxy clusters offer a valuable opportunity to study this energy transfer mechanism in more detail. Numerous properties can serve as classification metrics, but they are not always consistent with one another. Moreover, traditional methods used to extract those properties are time-consuming and have only been applied to small samples. With the advent of powerful X-ray observatories such as eROSITA, we expect to obtain large galaxy clusters datasets (~100 000). Given the size of the datasets and the number of parameters to consider, machine learning methods are needed to accelerate the data processing. This thesis presents an analysis of intracluster gas properties with machine learning techniques. We use the galaxy clusters from the IllustrisTNG cosmological simulations to create the X-ray images that make up our dataset. We study five properties of the hot gas in galaxy clusters that are commonly used as classification metrics; the central cooling time, the central electron density, the central entropy excess, the concentration of the surface brightness and the cuspiness parameter, which represents the slope of the density profile. We explore the correlations between the different metrics, and implement a neural network that predicts their values from an X-ray image of a galaxy cluster. The network achieves a mean percentage error of 1.8% on the central cooling time predictions, making it the best-performing metric. In order to get uncertainty estimates, we perform a probabilistic analysis of the network predictions using simulation-based inference. We also use a clustering approach that groups the X-ray images into three separate groups; we note that those groups are consistent with classification based on the concentration parameter. Our results show that the central cooling time and the concentration are the metrics that lend themselves the best to a machine learning analysis of galaxy cluster images. This project aims to lay the groundwork for characterizing future galaxy cluster observations.

Le Timepix3, successeur du Timepix, est un détecteur au silicium composé de deux couches sensibles installées en parallèle. Chaque couche est munie d’une matrice de 65 536 pixels (256x256) et d’une épaisseur de 500 μm. Une des améliorations du Timepix3 par rapport aux générations précédentes est qu’il est possible de récolter simultanément la quantité de charge déposée ainsi que le temps d’arrivée de cette charge. Pour la prise de données Run 3 du LHC qui a débuté en 2022, 16 détecteurs Timepix3 ont été installés dans la caverne du détecteur ATLAS. Les Timepix3 seront utilisés pour mesurer la luminosité du faisceau du LHC ainsi que pour caractériser et mesurer la radiation dans la caverne ATLAS, où beaucoup de composantes électroniques sont installés. L’objet de cette maitrise est de développer un algorithme d’identification des particules qui frappe le détecteur Timepix3. Dans un premier temps, l’information de la quantité d’énergie déposée et du temps d’arrivée sera utilisée pour caractériser un champ de particules incidentes au détecteur Timepix3 (électrons, photons, particules lourdes chargées). La nouvelle méthode consiste à utiliser les paramètres physiques des particules lors de leurs interactions avec le milieu, tels que la trajectoire, l’angle d’incidence, le dépôt d’énergie, la densité spatiale de l’amas, densité énergétique le long de la trajectoire de la particule incidente. Dans un second temps, comme les rayons delta sont des effets récurrents et indésirables qui perturbent l’analyse des données en physique des particules, ce mémoire traitera de la façon de les supprimer pour ne récolter que l’énergie déposée directement par la particule incidente. Il sera aussi question d’utiliser la statistique liée à la production des rayons delta lors du passage d’un flux de particules dans le détecteur pour en déterminer l’énergie cinétique. L’algorithme développé pour caractériser un champ de particules avec le Timepix3 a été confronté aux données obtenues avec un cyclotron de protons à Aahrus au Danemark. Nous avons obtenu des résultats satisfaisants, étant donné que la majorité des particules sont identifiées comme des protons et que nous avons réussi à déterminer l’énergie cinétique de ces protons qui se rapproche de l’énergie cinétique du faisceau de protons utilisé. / The Timepix3, successor to the Timepix, is a silicon detector composed of two sensitive layers mounted in parallel. Each layer has a matrix of 65 536 pixels (256x256) and a thickness of 500 μm. One of the improvements of the Timepix3 compared to previous generations is that it is possible to simultaneously collect the quantity of charge deposited as well as the time of arrival of this charge. For the LHC Run 3 data taking which started in 2022, 16 Timepix3 detectors were installed in the ATLAS detector cavern. The Timepix3 will be used to measure the luminosity of the LHC beam as well as to characterize and measure the radiation in the ATLAS cavern, where many electronic components are installed. The purpose of this master thesis is to develop an algorithm for identifying particles that strike the Timepix3 detector. Initially, information on the amount of energy deposited and the time of arrival will be used to characterize a field of particles incident at the Timepix3 detector (electrons, photons, heavy charged particles). The new method consists in using the physical parameters of the particles during their interactions with the medium, such as the trajectory, the angle of incidence, the energy deposition, the spatial density of the cluster, energy density along the trajectory of the incident particle. Secondly, as delta rays are recurring and undesirable effects which disturb the analysis of data in particle physics, this thesis will deal with how to suppress them in order to harvest only the energy deposited directly by the incident particle. It will also be a question of using the statistics linked to the production of delta rays when a flow of particles passes through the detector to determine their kinetic energy. The algorithm developed to characterize a particle field with the Timepix3 was confronted with data obtained with a proton cyclotron at Aahrus in Denmark. We have obtained satisfactory results, given that the majority of the particles are identified as protons and that we have succeeded in determining the kinetic energy of these protons which is close to the kinetic energy of the proton beam used.

Installé à l’Observatoire du Mont-Mégantic, le spectromètre imageur à transformée de Fourier SpIOMM possède un grand champ de vue de 12’X12’ et une haute efficacité qui le placent très favorablement parmi les autres instruments astronomiques à couverture intégrale de champ. Jusqu’à maintenant, l’instrument s’est limité à l’étude des raies en émission. Or, les processus en absorption sont aussi importants et leur étude peut bénéficier de l’efficacité de SpIOMM. On étudie les capacités de SpIOMM pour l’extraction de spectres en absorption. Ces dernières, plus sensibles au bruit, nécessitent un traitement supplémentaire. Des sources étendues et ponctuelles sont étudiées. On présente des spectres d’amas d’étoiles et de la galaxie elliptique M87. Leur analyse démontre les capacités de SpIOMM pour l’étude des raies en absorption des deux types de sources. Les résultats sont importants puisqu’un nouveau spectromètre imageur à transformée de Fourier, SITELLE, sera livré au télescope Canada-France-Hawaii en 2014. / Installed at the Mont-Mégantic Observatory, the imaging Fourier transform spectrometer SpIOMM possesses a large field of view and high throughput. This places it favourably when compared to other astronomical integral field spectrometers. Until now, the work done with the instrument has been limited to the study of emission lines. The physical processes behind absorption features are also important and their study can gain from an instrument like SpIOMM. We explore SpIOMM’s capabilities for the study of absorption line spectra. Absorption lines are more sensitive to noise than their emission counterpart. A different reduction process is used. Extended sources and point sources are studied. We present spectra from stars in clusters and the galaxy M87. The analysis shows SpIOMM’s capabilities for both types of sources. The results are important since a new imaging Fourier transform spectrometer, SITELLE, is to be delivered to the Canada-France-Hawaii telescope in 2014.

No description available.

Les effets Sunyaev-Zel'dovitch (SZ) correspondent à la diffusion inverse-Compton des photons du fond diffus cosmologique sur le gaz des amas de galaxies. Ce travail a visé à étudier l'ensemble des aspects des effets SZ cinétique et relativiste dans les données Planck. Pour ce faire, nous avons développé des filtres adaptés, conçus spécialement pour la détection des effets SZ. Ces filtres nous ont permis d'utiliser l'ensemble des longueurs d'onde de l'expérience de façon optimale. L'effet SZ cinétique est proportionnel à la vitesse radiale particulière des amas de galaxies. Nous avons donc pu étudier, grâce à cet effet SZ, les vitesses radiales particulières via des analyses individuelles, mais aussi statistiques. En particulier, il nous a permis d'effectuer les premières mesures de la vitesse moyenne des amas. Cette vitesse moyenne s'est avérée compatible avec zéro et constitue une vérification du principe cosmologique. Par ailleurs, nous avons étudié le dipôle des amas de galaxies, exclu les modèles inhomogènes d'Univers à un grand niveau de confiance et établi des limites supérieures sur la variance des vitesses des amas. L'effet SZ cinétique est aussi exploré au travers du moment moyen des paires de halos de galaxies. Les résultats obtenus ont montré une détection significative. Enfin, nous avons étudié l'effet SZ relativiste via sa dépendance à la température des amas. Nous avons montré en particulier son impact sur l'estimation de l'effet SZ cinétique.

No description available.

Les amas de galaxies sont l'une des plus grandes structures dans l'univers et jouent le rôle d'hôte de plusieurs phénomènes complexes. Bien qu'il existe beaucoup d'études portant sur leur formation et leur évolution, l'avènement récent de l'apprentissage automatique en astronomie nous permet d'investiguer des questions qui, jusqu'à maintenant, demeuraient sans réponse. Même si ce mémoire se concentre sur l'application de techniques d'apprentissage automatique aux observations en rayons X des amas de galaxies, nous explorons l'usage de ces techniques à son homologue à une échelle réduite : les galaxies elles-mêmes. Malgré le fait que les trois articles présentés dans ce mémoire se concentrent sur différents aspects de la physique, sur de différentes échelles et sur de différentes techniques, ils forment une base d'études que je continuerai pendant mon doctorat : l'usage des nouvelles techniques pour investiguer la physique des régions galactiques et extragalactiques. Dans le premier article, nous introduisons les premières observations en rayons X d'un amas de galaxies lointain qui détient des attributs particuliers comme une formation stellaire hors pair (∽ 900 M⊙/an). Dans cet article, nous employons les techniques traditionnelles en astronomie rayons X pour déterminer si ce taux de formation stellaire est dû à un courant de refroidissement désinhibé. Puisque l'objet est très lointain (z=1.7), il faut faire nos calculs sans beaucoup de photons et il faut donc utiliser les indices par procuration. Nous déterminons que la galaxie centrale est séparée d'une distance de plus de 50 kpc du coeur froid de l'amas. À cause de cette séparation, le trou noir supermassif central n'est pas alimenté et il ne peut pas prévenir le courant de refroidissement. Ceci est le premier exemple d'un amas de galaxies où nous observons l'échec de la rétroaction d'un trou noir supermassif. De plus, ceci nous fournit un autre mécanisme qui peut créer la lumière intra-amas. Dans le deuxième article présenté ici, nous examinons l'émission rayons X provenant du milieu intra-amas extrêmement chaud des amas de galaxies. Nous développons une méthode compréhensive qui détermine le nombre de composantes thermiques sous-jacentes dans un spectre de plasma. Notre nouvelle technique est basée sur une combinaison d'algorithmes d'apprentissage automatique non supervisé (analyse de composantes principales) et d'apprentissage automatique supervisé (arbre aléatoire). Nous créons un ensemble de 100 000 observations synthétiques et réalistes de Chandra qui représentent le gaz chaud dans les amas de galaxies voisines. Après la réduction de notre ensemble d'entraînement à ses 25 composantes principales, nous entraînons notre classificateur afin qu'il puisse déterminer le nombre de composantes thermiques sous-jacentes. Une fois l'étape d'entraînement terminée et l'optimisation des hyperparamètres terminée, nous appliquons la méthodologie à l'amas de galaxies de Persée. En plus de créer une carte de l'amas qui indique le nombre de composantes thermiques nécessaires afin de modéliser précisément l'émission du gaz chaud, nous avons développé un ensemble d'outils numériques qui calculent les températures associées. Nos résultats sont en accord avec plus d'une décennie d'études sur l'amas de galaxies de Persée et nous indiquent qu'il faut utiliser plusieurs composantes thermiques pour modéliser le milieu intra-amas correctement. Le troisième article présenté dans ce mémoire emploie de nouveau l'apprentissage automatique pour résoudre une question précédemment sans réponse nécessaire pour la caractérisation précise de la cinématique de gaz chaud dans les galaxies. Nous avons construit un réseau de neurones convolutif qui estime la vitesse et l'élargissement des raies d'émission d'un spectre de galaxies en visible. Une fois construit, nous l'appliquons aux données synthétiques qui répliquent les observations réelles de SITELLE du programme SIGNALS. En utilisant notre réseau bien entraîné, nous caractérisons l'émission d'une cible de SIGNALS : la galaxie M33. Nos résultats indiquent que notre algorithme surpasse les méthodes standards et s'adapte bien aux procédures d'ajustement spectral. En outre, notre méthodologie augmente la vitesse des calculs par plus d'un ordre de grandeur. Bien que l'algorithme soit entraîné spécifiquement pour SITELLE, on peut faire de petites modifications pour l'utiliser avec des autres interféromètres tels que MUSE et ses futurs analogues dans la prochaine génération de télescopes. Notez que j'ai mené à titre de premier auteur deux des trois articles présentés dans ce mémoire et apporté des contributions majeures au troisième. Les trois articles ont déjà été acceptés pour publication ou ont déjà été soumis et révisés une fois. / Galaxy clusters are one of the largest structures in the universe and host several complex physical phenomena. Although a wealth of knowledge already exists on their formation and evolution, the recent advent of machine learning in the astronomical sciences has allowed us to probe questions heretofore unanswered. While this thesis does focus heavily on the application of machine learning techniques to X-ray observations of galaxy clusters, it takes the techniques applied there to galaxy cluster's smaller counterparts: the individual galaxies themselves. Although the three papers presented here focus on distinct physics, scales, and techniques, they all form a basis of studies that I will continue during my doctorate: using new techniques to probe the underlying physics of galactic and extragalactic regions. The first paper introduced is a study of a galaxy cluster near the beginning of the epoch of cluster formation exhibiting peculiar attributes such as an elevated stellar formation rate (∽ 900M⊙/yr). In this paper, we employ traditional techniques in X-ray astronomy to determine whether or not the prodigious formation rate is due to an uninhibited cooling core. Since the object is so distant (z=1.7), we must execute our calculations with relatively few photons and thus rely on proxy measures. We determine that there exists a strong cooling flow offset by over 50 kpc from the central galaxy. Because of this offset, the AGN is not fueled and thus fails to heat up the cooling flow. This is the first example of a galaxy cluster in which we observe the failure of AGN feedback. Additionally, this provides another mechanism for the creation of intracluster light. The second article presented here focuses on X-ray emission from the hot intra-cluster medium within the galaxy cluster. We develop a comprehensive method for determining the number of underlying thermal components in the plasma's spectra. Our novel technique relies on a combination of an unsupervised learning algorithm (principal component analysis) and a supervised learning algorithm (random forest classification). We create a set of 100,000 realistic mock Chandra observations of the hot X-ray emitting gas in nearby galaxy clusters. After reducing our synthetic training set to its 25 most important principal components, we trained a random forest classifier to distinguish between the number of underlying thermal components. After successful testing and hyperparameter optimization, we applied the methodology third paper featured in this thesis once again employs machine learning to solve a previously undetermined question necessary for the accurate characterization of the kinematics of the warm gas in galaxies. We constructed a convolutional neural network to estimate the velocity and broadening parameters from the optical spectra of emission-line nebula and applied it to synthetic data replicating real SITELLE observations from the SIGNALS program. With a trained and optimized network in hand, we apply our methodology to a target of the SIGNALS program: the galaxy M33. Our results indicate our algorithm out-performs previous methods and nicely complements spectral fitting procedures. Moreover, the methodology increases calculation speeds by more than an order of magnitude -- thus greatly reducing the time needed to determine the kinematic parameters. Although the algorithm was trained for SITELLE data, this method can be readily ported to other IFUs such as MUSE. I have led two of the papers presented in this memoire and made major contributions to the third. All three papers have been either accepted for publication or have already been submitted and revised once. to the Perseus Cluster. In addition to creating a map of the cluster indicating the number of thermal components required to accurately model the thermal emission, we developed a suite of analysis routines to determine the temperatures of the underlying components. Our results are in agreement with over a decade of studies on the Perseus cluster and indicate that multiple temperature components are required for the accurate study of its intracluster medium.

Les amas des galaxies sont l’une des plus grandes structures liées gravitationnellement de l’univers. Leur dynamique est complexe et bien que plusieurs études multi-longueur d’onde ont été effectuées depuis la fin du 20ème siècle, il persiste plusieurs incertitudes sur les subtilités de leur dynamique. À ce jour, le consensus scientifique est que les trous noirs supermassifs actifs au centre des amas ont un impact important sur l’évolution de ces structures. Le trou noir central agit comme centre gravitationnel, mais lorsque ce trou noir est actif, son rôle ne se limite pas seulement à son impact gravitationnel. D’une part, les trous noirs actifs ont un rôle crucial dans l’émission thermique des amas. En effet, les jets radio influencent l’émission rayons-X des amas en poussant mécaniquement le milieu intra-amas qui émet en rayons-X via l’émission Bremsstrahlung. Ce phénomène engendre la formation de cavités rayons-X qui constituent une preuve de la rétroaction énergétique du trou noir sur l’ensemble de l’amas. Un tel phénomène est nécessaire afin d’expliquer les résultats observationnels qui témoignent d’un refroidissement moins important que prédit théoriquement au centre des amas à cœur froid. D’autre part, il existe de plus en plus d’études qui supportent l’hypothèse que les trous noirs actifs ont un rôle dans la (ré-)accélération de particules relativistes responsables de l’émission synchrotron au cœur des amas à cœur froid. Ces structures appelées mini-halos sont typiquement diffuses en radio et donc difficiles à détecter. Dans ce mémoire, nous étudierons en détail l’émission radio de l’amas de galaxies massif à cœur froid MS 0735.6+7421 (z = 0.216). Cet amas est unique puisqu’il possède les jets radio les plus énergétiques détectés au centre d’un amas à cœur froid. Il s’agit donc d’un exemple de trou noir actif parmi les plus extrêmes connus. Cet objet constitue ainsi une cible parfaite afin d’étudier le lien qui unit la rétroaction du trou noir actif central et l’émission synchrotron au centre des amas à cœur froid. Pour réaliser cette étude, nous avons effectué une analyse radio exhaustive de MS 0735.6+7421 à l’aide de données acquises sur le Karl G. Jansky Very Large Array. Cette analyse a permis de détecter une nouvelle structure radio diffuse jamais détectée auparavant. Cette nouvelle structure possède une puissance radio à 1.4 GHz qui concorde avec celles des mini-halos les plus lumineux. Le résultat principal de notre étude supporte donc l’hypothèse selon laquelle il existe un lien fondamental entre la rétroaction du trou noir actif central et la formation de mini-halos au centre des amas à cœur froid. / Galaxy clusters are one of the largest gravitationally bound structures in the universe. They exhibit complex dynamics and even though several multi-wavelength studies have been conducted since the end of the 20th century, there are still a lot of uncertainties concerning their evolution. To this day, the scientific consensus is that the active supermassive black hole at the center of the cluster has a profound impact on the cluster’s evolution. Indeed, the central supermassive black hole has a substantial gravitational impact, but when the black hole actively accretes material, its role goes beyond its gravitational influence. Active supermassive black holes have a crucial role in terms of the thermal emission in clusters. Indeed, the radio jets influence the X-ray emission of clusters by mechanically pushing the intracluster medium which emits in X-ray via Bremsstrahlung emission. This leads to the formation of X-ray cavities which are proof of the energetic feedback of the central supermassive black hole on the cluster. Such a phenomenon is required to reconcile the observational results that report less cooling at the center of cool core clusters than what is theoretically predicted. Moreover, there are more and more studies that support the hypothesis that active supermassive black holes have a crucial role in the (re-)acceleration of seed particles responsible for synchrotron emission at the center of cool core clusters. These structures are named mini-halos and are usually difficult to detect because they are diffuse. In this Master’s thesis, we will study the radio emission of the massive cool core galaxy cluster MS 0735.6+7421 (z = 0.216). This cluster is unique because it exhibits the most powerful radio jets ever detected at the center of a cool core cluster. It thus contains one of the most powerful active supermassive black holes known. This object is a perfect target to study the link between active black hole feedback and synchrotron emission in cool core clusters. To conduct this study, we performed a radio analysis of MS 0735.6+7421 with new data obtained with the Karl G. Jansky Very Large Array. This analysis led to the discovery of an extended diffuse radio structure. This newly detected structure has a radio power at 1.4 GHz that matches the most luminous mini-halos known in the literature. The principal result of our study argues in favor of the hypothesis that there is a fundamental link between active black hole feedback and the formation of mini-halos at the center of cool core clusters.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Cette thèse propose une méthodologie pour des études en simulation numérique en grande dimension. Elle se décline en différentes étapes : construction de plan d'expériences approprié, analyse de sensibilité et modélisation par surface de réponse. Les plans d'expériences adaptés à la simulation numérique sont les "Space Filling Designs", qui visent à répartir uniformément les points dans l'espace des variables d'entrée. Nous proposons l'algorithme WSP pour construire ces plans, rapidement, avec de bons critères d'uniformité, même en grande dimension. Ces travaux proposent la construction d'un plan polyvalent, qui sera utilisé pour les différentes étapes de l'étude : de l'analyse de sensibilité aux surfaces de réponse. L'analyse de sensibilité sera réalisée avec une approche innovante sur les points de ce plan, pour détecter le sous-ensemble de variables d'entrée réellement influentes. Basée sur le principe de la méthode de Morris, cette approche permet de hiérarchiser les variables d'entrée selon leurs effets. Le plan initial est ensuite "replié" dans le sous-espace des variables d'entrée les plus influentes, ce qui nécessite au préalable une étude pour vérifier l'uniformité de la répartition des points dans l'espace réduit et ainsi détecter d'éventuels amas et/ou lacunes. Ainsi, après réparation, ce plan est utilisé pour l'étape ultime : étude de surfaces de réponse. Nous avons alors choisi d'utiliser l'approche des Support Vector Regression, indépendante de la dimension et rapide dans sa mise en place. Obtenant des résultats comparables à l'approche classique (Krigeage), cette technique semble prometteuse pour étudier des phénomènes complexes en grande dimension. / This thesis proposes a methodology of study in numeric simulation for high dimensions. There are several steps in this methodology : setting up an experimental design, performing sensitivity analysis, then using response surface for modelling. In numeric simulation, we use a Space Filling Design that scatters the points in the entire domain. The construction of an experimental design in high dimensions must be efficient, with good uniformity properties. Moreover, this construction must be fast. We propose using the WSP algorithm to construct such an experimental design. This design is then used in all steps of the methodology, making it a versatile design, from sensitivity analysis to modelling. A sensitivity analysis allows identifying the influent factors. Adapting the Morris method principle, this approach classifies the inputs into three groups according to their effects. Then, the experimental design is folded over in the subspace of the influent inputs. This action can modify the uniformity properties of the experimental design by creating possible gaps and clusters. So, it is necessary to repair it by removing clusters and filling gaps. We propose a step-by-step approach to offer suitable repairing for each experimental design. Then, the repaired design is used for the final step: modelling from the response surface. We consider a Support Vector Machines method because dimension does not affect the construction. Easy to construct and with good results, similar to the results obtained by Kriging, the Support Vector Regression method is an alternative method for the study of complex phenomena in high dimensions.