Une méthode non-intrusive ayant pour but d’obtenir un modèle par chaos polynomial multi-élément est développée. La méthode se nomme ME-ACD, acronyme Anglais signifiant « méthode multi-élément basée sur la classification hiérarchique ascendante des dérivées ». Le modèle a pour objectif d’approcher les Quantités d’intérêt présentant des discontinuités et/ou des irrégularités altérant la précision des modèles par chaos polynomial standards qui l’approchent. La méthode permet de partitionner efficacement l’espace des paramètres et d’entrainer des méta-modèles par chaos polynomial locaux de degrés inférieurs sur chaque sous-ensemble de l’espace des paramètres où les morceaux de la Quantité d’intérêt est plus régulière localement. L’algorithme repose sur le regroupement hiérarchique ascendant des observations représentées par des points dans un espace abstrait prenant en compte la valeur de la Quantité ainsi que les valeurs de ses dérivées par rapport aux paramètres d’entrée stochastiques. Les mêmes observations sont utilisées pour la partition de l’espace et pour l’entrainement des modèles locaux. Plusieurs partitions de l’espace sont testées, et celle menant à des modèles locaux minimisant une erreur de validation croisée est sélectionnée. Une fois que les observations d’entrainement sont associées à un numéro indiquant dans quel élément elles sont localisées, un réseau de neurones est entrainé pour déterminer quel modèle local sera utilisé pour les évaluations à venir. L’efficacité de la méthode est montrée sur un ensemble d’applications et la précision du modèle par morceaux est comparée avec celle d’un modèle par chaos polynomial standard obtenu par une méthode non-intrusive et celle d’un modèle « Gradient Tree Boosting ».