Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Caractérisation et modélisation assistée par machine learning de microbatteries sur Silicium


Détail de l'offre

Informations générales

Entité de rattachement

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité
  

Référence

SL-DRT-24-0921  

Direction

DRT

Description du sujet de thèse

Domaine

Physique de l'état condensé, chimie et nanosciences

Sujets de thèse

Caractérisation et modélisation assistée par machine learning de microbatteries sur Silicium

Contrat

Thèse

Description de l'offre

Les mécanismes physiques impliqués dans le fonctionnement d'une microbatterie sont encore peu compris et peu modélisés. Pour les etudier, le CEA dispose d’une plateforme de fabrication et de caractérisation dédiée aux composants lithiés.
L’objectif de cette thèse est de développer un modèle physique pour décrire les performances des batteries (tension, puissance délivrée) selon les conditions d'utilisation. La méthodologie proposée consiste à :
1. Utiliser les 15 000 batteries par wafer comme véhicules de test. Les mesures réalisées pendant le cyclage des batteries sont compilées dans une base de données.
2. Participer au développement des programmes de traitement de données basés sur des méthodes de machine learning et d'inférence bayésienne pour mettre en évidence des paramètres optimaux de protocole de cyclage. Ces retours alimentent alors le modèle physique et electrochimique (validation/compréhension/exploration).
3. Itération avec la fabrication et les tests électriques de nouvelles architectures/designs de batteries.

Université / école doctorale

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

Localisation du sujet de thèse

Site

Grenoble

Demandeur

Disponibilité du poste

01/09/2024

Personne à contacter par le candidat

CELE Jacopo jacopo.cele@cea.fr
CEA
DRT/DCOS//LCRE
LCRE / CEA
17 Av. des Martyrs
38054 Grenoble cedex 9
France
+33 4 38 78 39 53

Tuteur / Responsable de thèse

OUKASSI Sami sami.oukassi@cea.fr
CEA
DRT/DCOS/SITEC/LCRE
17 Av. des Martyrs
Grenoble
0438782924

En savoir plus