Modélisation du vieillissement d’une pile à combustible : Couplage des approches physiques et machine learning

Dans l’objectif de réduire les émissions de CO2 du secteur des transports, différentes technologies et vecteurs énergétiques sont étudiés pour remplacer progressivement les hydrocarbures d’origine fossile : moteurs thermiques à biocarburant ou hydrogène, électrification de la chaine de propulsion avec batterie ou pile à combustible basse température. Cette dernière technologie est fortement pressentie pour la mobilité lourde (véhicule utilitaire, bus, poids-lourd, ferroviaire et maritime). Pour concevoir et dimensionner au mieux un tel système, il est impératif de tenir compte dans des modèles, non seulement des performances, mais également des facteurs de vieillissement pour aboutir à une solution à impact environnemental minimal. De nombreuses approches ont déjà été exploré pour modéliser ce vieillissement. Mais l’enjeu de la modélisation du vieillissement des piles et donc du modèle numérique à développer est d’obtenir un modèle multiéchelle capable de rendre compte de l’impact des phénomènes de vieillissement microscopiques à l’échelle macroscopique et dans des conditions représentatives de l’usage. 
Le sujet de la thèse combine une approche expérimentale et de modélisation. Elle consiste à déterminer via des méthode statistiques et d’apprentissage automatique l’évolution des paramètres de pile à combustible afin d’en modéliser le vieillissement. Les méthodes développées se baseront en majorité sur la caractérisation par spectroscopie d’impédance électrochimique de la pile au cours de son vieillissement et par l’exploitation de ces spectres par le calcul de la distribution of relaxation time.
Cette thèse est une collaboration entre IFP Energies Nouvelles, FCLab et FEMTO-ST. Elle adopte une approche multidisciplinaire, à la fois expérimentale et théorique, et met à contribution des compétences en électrochimie, traitement du signal, génie électrique et programmation scientifique supportées par les différents laboratoires engagés. 

Mots clefs : PEM Fuel Cell, modélisation, vieillissement, machine learning, électrochimie

• Directeur de thèse    Pr Marie-Cécile PERA FEMTO-ST, marie-cecile.pera@univ-fcomte.fr (https://www.femto-st.fr/fr/personnel-femto/mcpera) 
• Ecole doctorale    ED37, SPIM Science Physiques pour l’Ingénieur et Microtechniques  http://ed-spim.univ-fcomte.fr/ 
• Encadrant IFPEN    Dr Quentin CACCIUTTOLO, Département électrochimie et matériaux, quentin.cacciuttolo@ifpen.frl 
• Localisation du doctorant    IFP Energies Nouvelles, Lyon, France et FEMTO-ST, Belfort, France
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2023
• Employeur    IFP Energies Nouvelles, Lyon, France
• Qualifications    Master dans une discipline appropriée (électrochimie, génie chimique ou électrique, …)
• Connaissances linguistiques    Bonne maîtrise de l’anglais indispensable, français souhaitable 
• Autres qualifications    Connaissance en programmation scientifique (python ou Matlab) et en électrochimie est un plus