Prédire le vieillissement des batteries à l'aide de l'IA

Le vieillissement des batteries est un phénomène complexe. Des travaux de l'université de Lyon ont abouti à un modèle innovant de machine learning généraliste capable de s’adapter à divers jeux de données pour prédire le vieillissement des batteries.

Mots clés: #batterie, #IA, #vieillissement

Lire plus

Actualités

( Photo: IFPEN )

ENGINEERINGNET.BE - Pour répondre aux enjeux climatiques, la transition vers des énergies renouvelables et la décarbonation des transports sont incontournables, avec un rôle central dévolu à la mobilité électrique et aux batteries lithium-ion.

Le vieillissement des batteries est toutefois un phénomène complexe, influencé par un grand nombre de facteurs. Comprendre et prédire le vieillissement des batteries devient donc indispensable pour optimiser leur utilisation.

Cela passe notamment par la simulation numérique, avec des logiciels comme Amesim (développé par Siemens), lequel permet de reproduire et d'analyser les comportements thermiques, électriques et mécaniques des batteries, et offre ainsi un outil puissant pour améliorer leur conception et leur gestion.

Dans ce contexte, les travaux de thèse de Quentin Mayemba (Université de Lyon), menés en collaboration avec Siemens et le laboratoire Ampère de l’INSA de Lyon, ont permis de développer un algorithme générique, basé sur l’intelligence artificielle, capable de s’adapter à tout type de cellules et aux différents mécanismes de leur vieillissement.

L’objectif principal de ce travail est de créer des outils de pronostic du vieillissement des batteries dans le but d’être intégré à un logiciel de simulation système.

La méthode utilisée est basée sur des « tranches de vies » définies selon des seuils établis issus de la connaissance métier, dans le but de segmenter le cycle de vie d’une batterie en différentes périodes.

En analysant ces tranches de façon séparée, il devient possible d’identifier des phases critiques où le vieillissement s’accélère ou change de nature.

Les algorithmes développés ont démontré une capacité accrue à prédire la perte de capacité des batteries par rapport aux algorithmes de la littérature.

Au global, les modèles développés se montrent environ deux fois plus performants que les approches classiques en termes de précision.

Intégrés à un logiciel de simulation système, ces modèles peuvent contribuer à optimiser les stratégies de gestion et de maintenance des batteries et ainsi améliorer l’efficacité de ces dernières dans un usage quotidien tout en prolongeant leur durée de vie.