Prédiction explicable du vieillissement des batteries lithium-ion pour une prolongation intelligente de leur durée de vie dans le domaine de la mobilité électrique
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Heitzmann, Théo
Date de soutenance : 26-11-2025

Directeur(s) de thèse : Boné, Romuald - Mesbahi, Tedjani

Président : Jabbour, Saïd
Rapporteur(s) : Chelly Dagdia, Zaineb - Sari, Ali
Membre(s) du jury : Kriesten, Reiner - Samet, Ahmed

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Apprentissage profond, Batterie Lithium-ion, État de santé, Explicabilité, Interprétabilité, Résistance interne, Véhicule électrique
Mots-clés :
  • Apprentissage profond
  • Batteries lithium-ion
  • Véhicules électriques
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD029
Type de ressource : Thèse