Thèse : Prédiction explicable du vieillissement des batteries lithium-ion pour une prolongation intelligente de leur durée de vie dans le domaine de la mobilité électrique

Rapporteurs :

• Mme CHELLY DAGDIA GARCIA Zaineb, Professeure, Université de Lille
• M. SARI Ali, Professeur, Université Claude Bernard Lyon 1

Directeur de thèse :

• M. BONÉ Romuald, Professeur, INSA Strasbourg

Encadrants :

• M. MESBAHI Tedjani, Professeur, INSA Strasbourg
• M. SAMET Ahmed, Maître de conférences HDR, INSA Strasbourg

Examinateurs :

• M. JABBOUR Saïd, Professeur, Université d’Artois
• M. KRIESTEN Reiner, Professeur, Hochschule Karlsruhe

Invité :

• M. LATIMIER Étienne, Ingénieur référent, ADEME

Résumé :

Les batteries lithium-ion représentent un atout clé dans la transition énergétique, alimentant les véhicules électriques et permettant le stockage d’énergie stationnaire. Cependant, leur production dépend de matières premières critiques, qui sont des ressources limitées et de plus en plus rares. Pour pallier cette contrainte, il est essentiel de prolonger la durée de vie des batteries en limitant leur dégradation. Cela nécessite une compréhension approfondie des facteurs accélérant le vieillissement des batteries ainsi que des stratégies permettant d’optimiser leur utilisation. Dans ce contexte, la prédiction de l'état de santé (State of Health – SOH) des batteries devient un enjeu essentiel. Le SOH peut être évalué à partir de deux phénomènes principaux liés au vieillissement de la batterie : la perte de capacité et l’augmentation de la résistance interne. Cet indicateur permet alors d'anticiper les performances énergétiques de la batterie et les maintenances ainsi que d'optimiser l'utilisation des batteries et leur sécurité. Cette thèse se focalise sur la construction de modèles d'apprentissage profond de prédiction de la dégradation des batteries à partir de jeux de données sur leur vieillissement. Ces modèles sont rendus explicables grâce à des méthodes issues du domaine de l'explicabilité de l'IA. Les explications engendrées permettent d'interpréter les prédictions du modèle et d'identifier des indicateurs indirects de la dégradation de la batterie et des facteurs d'accélération de celle-ci.