Le déploiement massif des énergies renouvelables impulse une demande croissante pour le stockage stationnaire, dont les spécificités (coût, sécurité, durabilité) diffèrent radicalement de la mobilité électrique. Face aux limites des batteries Li-ion (risques d'incendie, criticité du lithium et du cobalt, coûts de production), la technologie aqueuse Zinc-Manganèse (Zn-MnO2) s'impose comme une alternative de rupture. Basée sur des matériaux abondants, non toxiques et intrinsèquement sûrs, elle offre un potentiel unique pour le stockage de longue durée à faible impact environnemental.
Cependant, l'industrialisation de cette filière se heurte à des verrous scientifiques limitant la réversibilité et la durée de vie en cyclage, notamment la formation de dendrites de zinc et l'instabilité de la cathode. Ce projet de thèse propose de surmonter ces obstacles par une stratégie de recherche hybride couplant modélisation multiphysique et intelligence artificielle.
Dans un premier temps, un modèle en éléments finis sera développé et validé expérimentalement pour caractériser les mécanismes de dégradation (points chauds de densité de courant, gradients de concentration). Dans un second temps, ce modèle servira de générateur de données pour entraîner des algorithmes d'apprentissage automatique (Machine Learning). Ces modèles de substitution permettront d'explorer rapidement un vaste espace de conception pour identifier les architectures les plus résilientes. L'objectif final est d'accélérer l'éco-conception de batteries Zn-MnO2 performantes, répondant aux impératifs de souveraineté énergétique et d'économie circulaire.