Développement d’algorithmes d’intelligence artificielle pour estimer l’état de santé des batteries lithium-ion de l’échelle cellule au pack

Le marché des véhicules électriques est en très forte croissance et de très grands progrès sont en cours, en particulier concernant l’autonomie kilométrique. C’est la batterie de traction, organe central de ces véhicules qui dicte cette autonomie.
La durée de vie de ces batteries dépend de plusieurs facteurs environnementaux tels que la température, l’état de charge de la batterie et le courant de sollicitation. La technologie de batterie lithium-ion utilisée, les différents mécanismes de vieillissement et sa configuration, notamment le nombre de cellules en série et/ou en parallèle sont des paramètres rendant le diagnostic et le pronostic de la durée de vie complexe. Ainsi, pour répondre à cette complexité, cette étude s’intéresse à l’approche par intelligence artificielle, et notamment le « Machine Learning ».
Pour les travaux, le doctorant disposera de bases de données d’essais existantes (internes de l’IFPEN ou en open-source internet) provenant de mesures sur des éléments de batteries lithium-ion de plusieurs technologies. Des tests complémentaires utilisant des voies de banc batterie seront également réalisés au sein des laboratoires batteries du département.
Pour exploiter les données, les approches d’intelligence artificielle dont font partie les algorithmes de « machine learning » seront utilisées.
Durant toute la durée de cette thèse, le doctorant aura en charge :
-    la réalisation d’une étude bibliographique, puis la veille technologique sur le  sujet de thèse,
-    la réalisation de mesures électriques sur batteries en laboratoire,
-    la mise en place de traitement des données automatisé,
-    la proposition de nouvelles méthodes numériques  ,
-    la rédaction de publications scientifiques et d’un manuscrit de thèse.
Ce travail nécessite un goût prononcé pour le traitement et l’analyse des données  par l’utilisation d’outils informatiques type Python, R, Matlab, … Des connaissances de base en électrochimie ou/et en génie électrique, en expérimentation ainsi qu’en statistique sont également souhaitables.

Mots clefs : Intelligence artificielle, machine learning, batteries, vieillissement, état de santé

• Directeur de thèse    Prof. VENET Pascal AMPERE UMR CNRS, Université Lyon 1 
• Ecole doctorale    Ecole doctorale EEA de Lyon, https://edeea.universite-lyon.fr/
• Encadrant IFPEN     Dr MINGANT Rémy, ingénieur de recherche, Département Electrochimie et Matériaux,  Remy.mingant@ifpen.fr,   
• Localisation du doctorant    IFP Energies nouvelles, Solaize, France, AMPERE, Université Lyon 1, France, et Siemens Digital Industries Software Lyon, France  
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2021 
• Employeur    Siemens Digital Industries Software Lyon, France
• Qualifications    Ingénieur ou Master  dans une discipline appropriée 
• Connaissances linguistique    Bonne maîtrise du français et de l’anglais