Génération de nouveaux matériaux pour les batteries avec l'IA

Generation of new materials for batteries with AI

• Auteur / Autrice : Victor Ramirez camacho
• Direction : Alejandro Franco, Nassima Benamma
• Type : Projet de thèse
• Discipline(s) : Chimie-Chimie et Electrochimie des Solides-25DCH2
• Date : Inscription en doctorat le 13/11/2024
• Etablissement(s) : Amiens
• Ecole(s) doctorale(s) : Sciences, Technologie, Santé
• Partenaire(s) de recherche : Laboratoire : LRCS - Laboratoire de Réactivité et de Chimie des Solides

Mots clés

Mots clés libres

Machine-Learning

Électrodes

Lithium-Ion

EVs

Apprentissage-automatique

Electrode materials

Lithium-Ion

EVs

Résumé

Cette recherche se concentre sur le développement d'un modèle prédictif utilisant des techniques d'apprentissage automatique pour optimiser la synthèse de matériaux d'électrodes à haute capacité pour les véhicules électriques (VE). En s'appuyant sur des approches basées sur les données, le modèle prédit les paramètres clés de la synthèse des matériaux, tels que la densité énergétique, l'efficacité de la charge/décharge et la durée de vie des électrodes des batteries. L'objectif ultime est d'améliorer les performances des batteries des véhicules électriques et de contribuer ainsi à l'allongement de l'autonomie et à l'accélération des temps de charge. Ce travail intégrera des techniques de modélisation informatique avec une synthèse expérimentale ultérieure pour validation, afin d'accélérer le développement des matériaux de stockage d'énergie de la prochaine génération pour des solutions de transport durables.

This research focuses on developing a predictive model using machine learning techniques to optimize the synthesis of high-capacity electrode materials for electric vehicles (EVs). By leveraging data-driven approaches, the model will predict key parameters in material synthesis such as energy density, charge/discharge efficiency, and cycle life of battery electrodes. The ultimate goal is to improve the performance of EV batteries, thereby contributing to longer driving ranges and faster charging times. This work will integrate computational modeling techniques with subsequent experimental synthesis for validation, to accelerate the development of next-generation energy storage materials for sustainable transportation solutions.