Estimation de l'état de santé et prédiction de la durée de vie restante de batterie lithium-ion[...]

CEA; Grenoble; Sur place; EUR 25 000 - 30 000; Plein temps

Résumé du poste

Un poste de thèse est proposé pour développer des méthodologies de diagnostic et pronostic des batteries lithium-ion et sodium-ion. Le candidat devra exploiter des approches de type Physics-Informed Machine Learning pour améliorer la longévité et la sécurité des batteries. Ce projet est crucial pour la transition énergétique et l'électrification des transports, avec une date de disponibilité à partir du 01/02/2025.

Qualifications

• Formation recommandée : Master 2 recherche ou Ingénieur.

Responsabilités

• Développer des méthodologies innovantes de diagnostic et pronostic des batteries.
• Établir les corrélations entre les mesures multi-physiques et les mécanismes de dégradation.

Connaissances

Physics-Informed Machine Learning

Data Fusion

Formation

Master 2 recherche

Ingénieur

Description du poste

Description du sujet de thèse

Domaine

Défis technologiques

Sujets de thèse

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

Contrat

Thèse

Description de l'offre

Contexte :

Les batteries lithium-ion et sodium-ion de génération futures sont essentielles pour la transition énergétique et l'électrification des transports. Garantir en premier lieu la longévité, les performances mais aussi la sécurité des batteries nécessite une compréhension approfondie des mécanismes de dégradation à différentes échelles.

Objectif de Recherche :

Développer des méthodologies innovantes de diagnostic et de pronostic des batteries en exploitant la fusion de données multi-capteurs et des approches de type Physics-Informed Machine Learning (PIML), combinant des modèles théoriques physiques de batteries avec des algorithmes d'apprentissage profond.

Approche Scientifique :

1. Établir les corrélations entre les mesures multi-physiques et les mécanismes de dégradation des batteries
2. Explorer des approches hybrides PIML pour la fusion de données multi-physiques
3. Développer des architectures d'apprentissage intégrant les contraintes physiques tout en traitant des données hétérogènes
4. Étendre les méthodologies aux technologies émergentes de batteries sodium-ion

Méthodologie :

La recherche utilisera une base de données de cellules multi-instrumentées (capteurs acoustiques, électriques, thermiques, mécaniques, optiques), analysant les signatures et modalités de chaque mesure et développant des algorithmes PIML innovants qui optimisent la fusion de données multi-capteurs.

Résultats Attendus :

La thèse vise à fournir des recommandations précieuses pour l'instrumentation des systèmes de batteries, à développer des algorithmes de diagnostic et pronostic de trajectoires de vieillissement avancés, et à contribuer significativement à l'amélioration de la fiabilité et de la durabilité des systèmes de stockage électrochimique, avec des impacts potentiels académiques et industriels.

Université / école doctorale

Ingénierie - Matériaux - Environnement - Energétique - Procédés - Production (IMEP2)
Université Grenoble Alpes

Localisation du sujet de thèse

Site

Grenoble

Critères candidat

Formation recommandée

Master 2 recherche, ou Ingénieur

Demandeur

Disponibilité du poste

01/02/2025

Personne à contacter par le candidat

HEIRIES Vincent
CEA
DRT/LETI/DSYS/SSCE
CEA-LETI
MINATEC Campus
17 rue des Martyrs
38054 Grenoble Cedex 9
00 33 (0)4 38 78 55 20

Tuteur / Responsable de thèse

RACCURT Olivier
CEA
DES/DEHT//LAPS
CEA/Grenoble
Commissariat à l'énergie atomique et aux énergies alternatives
17 avenue des Martyrs | 38054 Grenoble CEDEX 9 | France
04 78 78 33 89

En savoir plus

https://orcid.org/0000-0002-2517-3413

https://liten.cea.fr/cea-tech/liten/english/Pages/Strategic-research/Batteries.aspx

https://orcid.org/0000-0002-6899-1555