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

IFP Energies nouvelles - Lyon; Solaize; Vor Ort; EUR 10.000 - 15.000; Vollzeit

Zusammenfassung

Le stage proposé par IFP Energies nouvelles – Lyon porte sur l’estimation des modes de dégradation des batteries lithium‑ion par apprentissage automatique. S’appuyant sur une base de données existante, il explore des méthodes IA pour identifier les modes de dégradation et optimiser la durabilité des cellules.

Profil recherché: étudiant en dernière année d’école d’ingénieur ou master de recherche, connaissance de Python et des outils d’apprentissage (PyTorch, TensorFlow), anglais, esprit d’équipe

Qualifikationen

• 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.

Aufgaben

• 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

Kenntnisse

Intérêt pour le domaine des énergies &

Jobbeschreibung

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.

Objectifs:

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:

1. 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 ;


2. Identification des modes de dégradation sur la base des décharges lentes ;


3. 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