Estimation rapide de modes de dégradation des batteries lithium ion par méthodes d'apprentissage

IFP Energies Nouvelles Group; France; Hybride; EUR 6 700 - 10 000; Temps partiel

Résumé du poste

IFP Energies nouvelles recherche un stagiaire en estimation rapide des modes de dégradation des batteries lithium‑ion, utilisant des méthodes d’apprentissage et une base de données expérimentale fournie par IFPEN.

Le stage vise à identifier les modes de dégradation et à construire des méthodes d’apprentissage pour estimer ces modes sur des fenêtres de temps réduites, en s’appuyant sur Python et les outils PyTorch/TensorFlow, et à communiquer les résultats au Responsable Gontran Lance et à

Qualifications

• Étudiant.e en dernière année d’école d’ingénieur généraliste / master 2 / master de recherche.
• Intérêt pour les énergies et l’IA.
• Connaissances sur Python et maîtrise des outils d’apprentissage (Pytorch, Tensorflow).
• Maîtrise de l’anglais (oral et écrit).

Responsabilités

• État de l’art sur les méthodes IA pour l’estimation des modes de dégradation des cellules lithium-ion et prise en main de la base de données.
• Identification des modes de dégradation sur la base des décharges lentes.
• Construction de méthodes d’apprentissage pour estimer les modes de dégradation des cellules sur des fenêtres de temps de sollicitation réduites.

Connaissances

Python

Anglais (oral et écrit)

Intérêt IA

Formation

Ingénierie générale / Master recherche

Outils

Pytorch

Tensorflow

Description du poste

Estimation rapide de modes de dégradation des batteries lithium ion par méthodes d'apprentissage
Direction Sciences et Technologies du Numerique

Type de contrat
Stage

Début
Entre février et juin 2027

Durée
6 mois

Région
Auvergne et Rhône-Alpes

Indemn / Rém
Oui

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques: climat, environnement et économie circulaire; énergies renouvelables; mobilité durable; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Estimation rapide de modes de dégradation des batteries lithium ion par méthodes d’apprentissage

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, de la mobilité et de l’environnement. IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique.

Dans ce cadre, IFPEN confère un intérêt particulier aux problématiques liées aux batteries lithium-ion, qui sont une des solutions de décarbonation dans les applications liées au transport (lourd et léger), aux stockages d’énergies renouvelables et/ou à la stabilité des réseaux électriques.

Au cours de leur durée de vie, les cellules vieillissent et, selon leur utilisation, peuvent connaître différents modes de dégradation. Dans un but de seconde vie, afin de définir l’utilisation la plus appropriée de cellules dégradées, il est important de connaître l’état de santé, mais surtout les modes de dégradation de ces cellules. Ce stage s’inscrit dans cette démarche.

Une campagne expérimentale préalablement menée dans le cadre d’études récentes à IFPEN a fourni une base de données de cellules lithium-ion exploitable pour l’identification des modes de dégradations des cellules en question. Dans cette base de données, les cellules ont subi des décharges très lentes et l’analyse de la réponse en tension permet de faire un lien direct avec les modes de dégradation. Cependant, ces décharges lentes requièrent un temps de sollicitation de la cellule trop long pour des applications à grande échelle.

A l’aide de méthodes d’apprentissage sur la base de données précédentes, on propose donc de réduire au maximum la fenêtre temporelle de sollicitation de la cellule permettant d’estimer les modes de dégradations préalablement identifiés.

Les étapes successives de ce stage sont:

• État de l’art sur les méthodes IA pour l’estimation des modes de dégradation des cellules lithium-ion et prise en main de la base de données ;
• Identification des modes de dégradation sur la base des décharges lentes ;
• Construction de méthodes d’apprentissage pour estimer les modes de dégradation des cellules sur des fenêtres de temps de sollicitation de la cellule réduites

Profil recherché :

Étudiant.e en dernière année d’école d’ingénieur généraliste/master 2/ master de recherche.

• Intérêt pour le domaine des énergies et de l’IA.
• Connaissances sur Python souhaitables et maîtrise des outils de méthodes d’apprentissage (Pytorch, Tensorflow).
• Maîtrise de l’anglais (oral et écrit).
• Curiosité, goût du travail en équipe, capacité à travailler en autonomie

Responsables: Gontran Lance (R113), Rémy Mingant (R116) et Jérémy Blanc (R173)

Lieu : IFPEN – Solaize: le site est accessible en transport en commun