La simulation numérique est à présent devenue un outil de conception indispensable pour l'ingénierie, permettant notamment de prédire le comportement d'objets industriels complexes dans leur environnement. Néanmoins, afin de coller fidèlement à la réalité physique, la simulation nécessite un contrôle permanent des divers modèles mathématiques et outils numériques qu'elle utilise. Cette thématique scientifique, connue sous le nom de Vérification et Validation des modèles (V&V), est une composante de la simulation qui, bien que primordiale, reste souvent fastidieuse et compliquée en pratique car elle nécessite le contrôle de multiples paramètres (de modèle, de discrétisation, etc.) et l'acquisition de nombreuses données expérimentales. Cependant, dans la très grande majorité des cas, la simulation numérique n'a pas pour objectif de prédire la solution globale du phénomène physique étudié, mais simplement quelques caractéristiques locales de cette solution (contrainte maximale, facteurs d'intensité de contrainte, etc.) appelées quantités d'intérêt et servant directement au dimensionnement. Il est alors cohérent de ne vouloir contrôler que les paramètres de la simulation qui sont influents pour ces quantités d'intérêt, menant ainsi à une démarche de V&V simplifiée. Au cours de la présentation, nous analyserons quelques travaux réalisés ces dernières années en vue de construire des modèles de simulation optimisés en vue du calcul d'une quantité d'intérêt. Dans un premier temps, nous nous focaliserons sur les travaux liés à la vérification «classique », i.e. ceux permettant de construire des discrétisations (maillage EF par exemple) optimales vis-à-vis d'une tolérance d'erreur locale prescrite. Par la suite, nous nous intéresserons au contrôle des résultats de calcul obtenus par réduction de modèle, démarche largement utilisée de nos jours pour simuler les modèles complexes. Dans ce contexte, nous étudierons deux cas précis : (i) le couplage de modèles, avec diverses applications (discret/continu, stochastique/déterministe, etc.); (ii) l'utilisation de la Proper Generalized Decomposition (PGD) pour représenter la solution de problèmes multi-paramètres. Enfin, nous aborderons la thématique de validation en étudiant des évolutions récentes dans le recalage des modèles mathématiques, avec pour objectifs d'obtenir une modélisation mathématique optimale et un recalage de modèle en temps-réel en vue de la prédiction d'une quantité d'intérêt donnée. Nous verrons que ces évolutions nécessitent notamment un dialogue accru et intelligent entre l'expérience et la simulation.