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-DES-25-0610
Description du sujet de thèse
Domaine
Défis technologiques
Sujets de thèse
Estimation de l'état de santé et prédiction de la durée de vie restante de batterie lithium-ion par Physics-Informed Deep Learning
Contrat
Thèse
Description de l'offre
Contexte :
Les batteries lithium-ion et sodium-ion de génération futures sont essentielles pour la transition énergétique et l'électrification des transports. Garantir en premier lieu la longévité, les performances mais aussi la sécurité des batteries nécessite une compréhension approfondie des mécanismes de dégradation à différentes échelles.
Objectif de Recherche :
Développer des méthodologies innovantes de diagnostic et de pronostic des batteries en exploitant la fusion de données multi-capteurs et des approches de type Physics-Informed Machine Learning (PIML), combinant des modèles théoriques physiques de batteries avec des algorithmes d'apprentissage profond.
Approche Scientifique :
Établir les corrélations entre les mesures multi-physiques et les mécanismes de dégradation des batteries
Explorer des approches hybrides PIML pour la fusion de données multi-physiques
Développer des architectures d'apprentissage intégrant les contraintes physiques tout en traitant des données hétérogènes
Étendre les méthodologies aux technologies émergentes de batteries sodium-ion
Méthodologie :
La recherche utilisera une base de données de cellules multi-instrumentées (capteurs acoustiques, électriques, thermiques, mécaniques, optiques) , analysant les signatures et modalités de chaque de mesures et développant des algorithmes PIML innovants qui optimisent la fusion de données multi-capteurs.
Résultats Attendus :
La thèse vise à fournir des recommandations précieuses pour l'instrumentation des systèmes de batteries, à développer des algorithmes de diagnostic et pronostic de trajectoires de vieillissement avancés et à contribuer significativement à l'amélioration de la fiabilité et de la durabilité des systèmes de stockage électrochimique, avec des impacts potentiels académiques et industriels.
Université / école doctorale
Ingénierie - Matériaux - Environnement - Energétique - Procédés - Production (IMEP2)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Master 2 recherche, ou Ingénieur
Demandeur
Disponibilité du poste
01/02/2025
Personne à contacter par le candidat
HEIRIES Vincent
vincent.heiries@cea.fr
CEA
DRT/LETI/DSYS/SSCE
CEA-LETI
MINATEC Campus
17 rue des Martyrs
38054 Grenoble Cedex 9
00 33 (0)4 38 78 55 20
Tuteur / Responsable de thèse
RACCURT Olivier
olivier.raccurt@cea.fr
CEA
DES/DEHT//LAPS
CEA/Grenoble
Commissariat à l’énergie atomique et aux énergies alternatives
17 avenue des Martyrs | 38054 Grenoble CEDEX 9 | France
04 78 78 33 89
En savoir plus
https://orcid.org/0000-0002-2517-3413
https://liten.cea.fr/cea-tech/liten/english/Pages/Strategic-research/Batteries.aspx
https://orcid.org/0000-0002-6899-1555