Note ABES Prédiction explicable du vieillissement des batteries lithium-ion pour une prolongation intelligente de leur durée de vie dans le domaine de la mobilité électrique Explainable lithium-ion battery aging prognostic for intelligent lifetime extension in electric mobility Apprentissage profond Batterie Lithium-ion État de santé Explicabilité Interprétabilité Résistance interne Véhicule électrique Deep learning Electric vehicle Explainability Internal resistance Interpretability Lithium-ion battery State of health 006.4 Apprentissage profond Batteries lithium-ion Véhicules électriques Les batteries lithium-ion représentent un atout clé dans la transition énergétique, alimentant les véhicules électriques et permettant le stockage d’énergie stationnaire. Cependant, leur production dépend de matières premières critiques qui sont des ressources limitées et de plus en plus rares. Pour pallier cette contrainte, il est essentiel de prolonger la durée de vie des batteries en limitant leur dégradation. Cela nécessite une compréhension approfondie des facteurs accélérant le vieillissement des batteries ainsi que des stratégies permettant d’optimiser leur utilisation. Dans ce contexte, la prédiction de l'état de santé (State of Health - SOH) des batteries devient un enjeu essentiel. Le SOH peut être évalué à partir de deux phénomènes principaux liés au vieillissement de la batterie : la perte de capacité et l’augmentation de la résistance interne. Cet indicateur permet alors d'anticiper les performances énergétiques des batteries et les maintenances ainsi que d'optimiser leur utilisation et leur sécurité. Cette thèse se focalise sur la construction de modèles d'apprentissage profond de prédiction de la dégradation des batteries à partir de jeux de données sur leur vieillissement. Ces modèles sont rendus explicables grâce à des méthodes issues du domaine de l'explicabilité de l'IA. Les explications produites permettent d'interpréter les prédictions du modèle et d'identifier des indicateurs indirects de la dégradation des batteries et les facteurs qui l'accélèrent. Lithium-ion batteries represent a key asset in the energy transition, powering electric vehicles and enabling stationary energy storage. However, their production relies on critical raw materials, which are limited and increasingly scarce. To mitigate this constraint, extending battery lifespan through effective degradation mitigation strategies is essential. This requires a thorough understanding of the factors that accelerate battery aging, as well as strategies to optimize their use. In this context, predicting the state of health (SOH) of batteries becomes a critical challenge. SOH can be evaluated based on two main aging phenomena: capacity loss and the increase of internal resistance. This indicator enables the anticipation of battery performance, supports maintenance planning, and contributes to the optimization of battery usage and safety. This thesis focuses on developing deep learning models to predict battery degradation from datasets reflecting their aging. These models are made explainable using methods from the field of explainable AI. The generated explanations help interpret the predictions of the model and identify both indirect indicators of battery degradation and factors that accelerate it. Electronic Thesis or Dissertation Text fr PDF 33377239 https://publication-theses.unistra.fr/public/theses_doctorat/2025/HEITZMANN_Theo_2025_ED269.pdf http://www.theses.fr/2025STRAD029/abes https://theses.hal.science/tel-05442468 https://theses.hal.science/tel-05442468 https://theses.hal.science/tel-05442468 Heitzmann Théo 1999-04-22 FR 292814410 1510023521P 22115747 4200018 https://theses.fr/2025STRAD029 2025STRAD029 https://doi.org/10.70675/c33c29f9zfc98z4ed8za4a6zf62534aa8b6f 2025-11-26 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Boné Romuald MADS_DIRECTEUR_DE_THESE_1 2700 081337159 Mesbahi Tedjani MADS_DIRECTEUR_DE_THESE_2 197989616 Jabbour Saïd MADS_PRESIDENT_DU_JURY 136739075 Kriesten Reiner MADS_MEMBRE_DU_JURY_1 230523765 Samet Ahmed MADS_MEMBRE_DU_JURY_2 184322820 Chelly Dagdia Zaineb MADS_RAPPORTEUR_1 283974680 Sari Ali MADS_RAPPORTEUR_2 179944401 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Boné Romuald Mesbahi Tedjani Jabbour Saïd Kriesten Reiner Samet Ahmed Chelly Dagdia Zaineb Sari Ali École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 33377239