Apprentissage par les données d'un modèle de vieillissement de batterie de véhicules électriques

Data-driven learning of a battery ageing model for electric vehicles

• Auteur / Autrice : Colin Holler
• Direction : Pierre Kerfriden, David Ryckelynck
• Type : Projet de thèse
• Discipline(s) : Mécanique
• Date : Inscription en doctorat le 15/01/2025
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Centre des Matériaux
• Partenaire(s) de recherche : Equipe de recherche : SIMS - Simulation des matériaux et des structures - MAT
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Ia

Big Data

Modélisation des systèmes

Etat de santé des batteries

Voitures électriques

Ai

Big Data

Systems modeling

Battery health

Electric cars

Résumé

Dans le cadre des nouvelles mobilités, la connaissance de l'état de santé des batteries est un élément majeur dans l'écosystème des véhicules électriques. Les règlementations à venir vont imposer aux constructeurs automobiles des nouveaux critères d'états de santé pour garantir un vieillissement maîtrisé au terme d'un seuil kilométrique et temporel. La problématique de cette thèse est de pouvoir estimer et prédire avec précision ces critères d'états à partir de données télémétriques issus des véhicules en roulage. Des approches numériques avancées (domaine multiphysique, multifréquence, IA sur des données BigData) seront à mettre en œuvre lors des phases de modélisations. Les états de santé prédits seront validés par des diagnostics embarqués sur différents véhicules.

In the context of new mobility, knowledge of battery health is a major factor in the electric vehicle ecosystem. Future regulations will impose new health criteria on vehicle manufacturers, in order to guarantee controlled ageing at the end of a kilometre and time threshold. The aim of this thesis is to accurately estimate and predict these health criteria using telemetry data from vehicles on the road. Advanced numerical approaches (multiphysics domain, multifrequency, AI on BigData) will be used during the modeling phases. The predicted health states will be validated by on-board diagnostics on different vehicles.