Estimation de l'état de santé et prédiction de la durée de vie restante de batterie lithium-ion par Physics-Informed Deep Learning

Ce sujet de thèse adresse le challenge de la demande croissante de systèmes de diagnostic de nouvelle génération pour les batteries lithium-ion, utilisées dans les véhicules électriques. Les méthodes traditionnelles d'estimation de l'état de santé des batteries ne fournissent pas suffisamment d'informations pour déterminer avec précision le niveau des dégradations internes et du vieillissement de la cellule. Les méthodes actuelles basées sur la modélisation physique théorique pour le diagnostic nécessitent des données de caractérisations lourdes effectuées en laboratoire, et éventuellement des données cyclage à long terme. Il est proposé d'étudier des méthodes hybrides d'estimation de l'état des batteries lithium-ion, intégrant des modèles basés sur la physique et couplées à des méthode de Machine Learning. Ces nouvelles méthodes, appelées "physics-informed machine learning" ou "theory-guided machine learning", permettront de diagnostiquer les principaux modes de dégradation d'une cellule de batterie en utilisant uniquement des données expérimentales limitées, d'obtenir une prédiction de la durée de vie restante fiable, précise et avec de bonnes capacités de généralisation. Le travail de thèse se concentrera sur l'étude du potentiel de ces méthodes hybrides et sur la meilleure méthode de couplage entre le modèle physique et les algorithmes de deep learning. Les métriques d'évaluation de la performance seront la précision d'estimation du niveau de vieillissement des cellules batterie, leur capacité en prédiction et leur durée de vie restante.