Établir de manière fiable l'état de santé d'une batterie Li-ion en cours d'usage, c'est une sorte de Graal pour les chercheurs du domaine. Cette info décisive permettrait en effet d'estimer la durée de vie résiduelle des cellules, de déterminer la meilleure façon de les piloter pour prolonger leur utilisation, et ainsi de concevoir des batteries plus durables.

Des données réelles trop rares et trop peu nombreuses

​Mais les obstacles vers cet idéal technique sont légion. La dégradation d'une batterie est corrélée à un ensemble de facteurs interconnectés comme sa température, le niveau de courant appliqué, sa plage d'état de charge, la forme de ses cycles, etc ; il faut les hiérarchiser et décrypter leurs multiples interactions.  Quant aux expériences de vieillissement, elles sont longues (plusieurs années), coûteuses, et portent sur un nombre de batteries trop faible pour avoir une valeur statistique.

​Enfin, les Battery Management Systems (BMS) sont pensés pour monitorer la sécurité et l'autonomie des cellules, mais encore trop peu leur état de santé.

Machine learning guidé par la physique : des résultats enfin interprétables

​Voilà pourquoi l'équipe commune Liten/Leti a signé un beau résultat en créant un workflow d'estimation de l'état de santé à partir des données réelles de seulement 40 cellules, sur cinq protocoles de cyclage. Ce qui a fait la différence ? Le recours à deux modèles de machine learning dits « guidés par la physique », avec une stratégie de transfert learning. 

 « Au lieu de fonctionner en mode boîte noire, ils intègrent des connaissances physiques, en l'occurrence sur les types de dégradation des cellules, explique Marion Chandesris, chercheuse au CEA/Liten. Ainsi, leurs résultats deviennent interprétables : je sais que ma batterie a perdu 15% de sa capacité, et je comprends pourquoi. »

​

Légende : Workflow Physics-Informed Machine Learning pour l'estimation du SOH

Un taux d'erreur compris entre 0,5 et 1%

Ce n'est pas tout : ce workflow de transfert learning a utilisé une profusion de données simulées à l'aide d'un modèle multiphysique de la cellule. Autant, au total, qu'à l'issue d'une étude de vieillissement sur une centaine de cellules, avec1 000 états intermédiaires mesurés pour chacune. « Ce changement d'échelle explique pour partie la précision élevée de notre worflow : son taux d'erreur moyen, compris entre 0,5% et 1%, est à l'état de l'art » annonce Vincent Heiries, chercheur au CEA-Leti. 

Quelle suite donner à ces travaux ? « Nous voudrions passer de l'estimation de l'état de santé de la batterie à la prédiction de la trajectoire de son état de santé, répond Marion Chandesris, afin de prolonger encore leur durée de vie. Ce projet pourrait s'appuyer sur d'autres algorithmes de deep learning, plus récents et plus performants. »

Vincent Heiries pense pour sa part, en se fondant sur la littérature, qu'une batterie dont le pilotage serait optimisé pourrait fonctionner deux fois plus longtemps : la marge de progression est immense.