Les matériaux composites, largement utilisés dans l'aérospatial pour leurs excellentes propriétés mécaniques spécifiques et leurs gains en masse, présentent une hétérogénéité et une anisotropie intrinsèques. Bien que ces caractéristiques améliorent les performances, elles génèrent d'importantes incertitudes liées à leur composition complexe (fibres, matrices, interfaces) et à leur sensibilité aux conditions de fabrication. Ces incertitudes conduisent à l'utilisation de coefficients de sécurité élevés, freinant l'innovation et augmentant les coûts de fabrication et de certification. Pour relever ces défis, l'industrie aspire à réduire les essais lors de la certification en utilisant des simulations numériques fiables. Cette étude se concentre sur la gestion des incertitudes épistémiques, notamment la méconnaissance des lois probabilistes des paramètres d'entrée, dans un cadre multi-échelle. Nous proposons d'effectuer une calibration bayésienne permettant d'identifier ces lois à partir de modèles analytiques et de données expérimentales. Cette approche renforce la robustesse des lois identifiées, favorisant un calibrage précis des modèles tout en capturant la variabilité observée. Appliquée initialement à des coupons composites, cette méthode démontre l'efficacité de la calibration dans un cas simple. Les lois probabilistes obtenues serviront de base pour le calibrage des modèles numériques, avant d'être propagées aux échelles supérieures. Cette démarche assure une gestion cohérente des incertitudes et renforce la crédibilité des prédictions numériques pour la certification.