De nombreux problèmes d'inversion de modèles se posent dans l'industrie. Ces problèmes consistent à trouver l'ensemble des valeurs des paramètres pour qu'une certaine quantité d'intérêt respecte une contrainte, par exemple reste en dessous d'un seuil. En général, la quantité d'intérêt est la sortie d'un simulateur, coûteuse en temps de calcul. Une façon efficace de résoudre ce problème est de remplacer le simulateur par une régression par processus gaussien, avec un plan d'expérience enrichi séquentiellement par un critère d'acquisition bien choisi. Il existe différents critères adaptés à l'inversion, tels que le critère de Bichon (également connu sous le nom de fonction de faisabilité attendue) et le critère du nombre de déviations. Il existe également une classe de stratégies d'enrichissement (Stepwise Uncertainty Reduction) qui sélectionne le point suivant en mesurant la réduction d'incertitude attendue induite par sa sélection. Dans cet article, nous proposons une version SUR du critère de Bichon. Une formulation explicite du critère est donnée et des comparaisons de tests montrent de bonnes performances sur des fonctions de test classiques.