L'intelligence artificielle au service des batteries
Une batterie nécessite plusieurs étapes de fabrication : préparation de la suspension, revêtement et séchage, calandrage de l’électrode, dépôt de l’électrolyte, et formation de l’interphase électrolytique solide. Ce processus nécessite une importante compréhension du comportement des matériaux utilisés afin d'optimiser les performances électrochimiques de la batterie. La modélisation numérique et l'analyse de données permettent d'accélérer cette compréhension grâce à une génération de données rapide et à une analyse quantitative en profondeur, cependant ces modélisations sont gourmandes en temps et en calculs.
Explications avec Marc Duquesnoy du Laboratoire réactivité et chimie des solides (LRCS)1 & du Réseau sur le stockage Electrochimique de l'Energie (RS2E)2 .
Au cours de ces dernières décennies, des progrès significatifs ont été réalisés dans le domaine informatique, et ce faisant de l’intelligence artificielle (IA). L’IA est une source abondante d’algorithmes permettant de résoudre des problèmes liés à la prise de décision, l’accélération des calculs, ou encore à la segmentation de données.
En se focalisant sur le calcul de la viscosité d'une électrode avant séchage pour différents matériaux, les chercheurs ont trouvé un modèle prédictif utilisant l’analyse fonctionnelle, applicable à un grand nombre de chimies couramment utilisées dans le domaine des batteries (e.g. Nickel Manganese Cobalt Oxyde (NMC-111), Lithium-Iron-Phosphate (LFP), et Graphite). Ce modèle permet d’obtenir le résultat d'une simulation 11 fois plus vite qu’en appliquant la méthode numérique classique.
Grâce à cette étude, Duquesnoy, et al, ont réussi à prédire le résultat d'une simulation à partir de ses premières valeurs numériques, réduisant considérablement le temps nécessaire à la paramétrisation de la modélisation. Cela permit donc de caractériser l’efficacité de la batterie lors des premières étapes de sa fabrication, et donc d'accélérer l'optimisation du processus de fabrication des batteries.
Les chercheurs espèrent maintenant pouvoir appliquer ce type d'analyse sur n'importe quelle étape de fabrication d’une cellule. Cependant, cela soulève des questionnements sur la généralisation à tous matériaux, ainsi que l’accumulation de données qui est très importante.
Notes
- LRCS - UMR7314 (UPJV/CNRS)
- RS2E - FR3459 (CNRS)