Emmanuel Olugbade, Missouri University of Science and Technology
Les batteries lithium-ion alimentent discrètement une grande partie du monde, notamment les véhicules électriques et les smartphones. Elles ont révolutionné la manière dont les gens stockent et utilisent l’énergie. Mais à mesure que ces batteries occupent une place plus centrale dans la vie quotidienne, elles attirent davantage l’attention sur les défis liés à leur gestion et à celle de l’énergie qu’elles stockent, de manière sûre, efficace et intelligente.
Je suis ingénieur en mécanique et j’étudie ces batteries presque omniprésentes. Elles existent depuis des décennies, mais les chercheurs comme moi tentent encore de comprendre pleinement leur comportement, en particulier lorsqu’elles fonctionnent à plein régime.
Les piles peuvent sembler simples, mais elles sont aussi compliquées que les utilisations que l’on en fait dans le monde réel.
Vue d’ensemble
Les batteries lithium-ion reposent sur le mouvement de particules chargées, appelées ions, de l’élément lithium entre deux pôles électriques, ou électrodes. Les ions lithium se déplacent de l’électrode positive à l’électrode négative à travers une substance conductrice appelée électrolyte, qui peut être solide ou liquide.
La quantité d’énergie stockée par ces piles et leur efficacité dépendent d’un ensemble de facteurs, notamment la température, la structure physique de la pile et l’évolution des matériaux au fil du temps.
Dans le monde entier, des chercheurs tentent de répondre à des questions sur chacun de ces facteurs, individuellement et de concert les uns avec les autres. Certaines recherches se concentrent sur l’amélioration de la durée de vie et sur le calcul de la dégradation des batteries au fil du temps. D’autres projets portent sur la sécurité dans des conditions extrêmes, comme l’utilisation de la charge rapide dans des climats extrêmes – chauds ou froids. Beaucoup explorent des matériaux entièrement nouveaux qui pourraient rendre les piles moins chères, plus durables ou plus sûres. Enfin, un groupe important – dont je fais partie – travaille sur des simulations informatiques afin d’améliorer la surveillance en temps réel des batteries.
La surveillance en temps réel du système de batterie de votre véhicule électrique fonctionne comme un bilan de santé : Il suit la tension, le courant et la température afin d’estimer la quantité d’énergie restante, ce qui vous évitera d’être bloqué avec une batterie déchargée.
Mais il est difficile de mesurer avec précision les performances de chacune des cellules énergétiques de la batterie au fur et à mesure qu’elles vieillissent ou que le temps passe du froid en hiver au chaud en été. Le système de gestion de la batterie utilise donc une simulation informatique pour estimer ces facteurs. Associé à une surveillance en temps réel, le système peut empêcher la surutilisation de la batterie, équilibrer la vitesse de charge avec la santé à long terme, éviter les pannes de courant et maintenir les performances à un niveau élevé. Mais les variables sont nombreuses.
L’analogie du trafic
L’une des meilleures façons de comprendre ce défi est de penser à la circulation urbaine.
Supposons que vous souhaitiez traverser la ville et que vous deviez déterminer si votre voiture a suffisamment de charge pour emprunter le meilleur itinéraire. Si votre simulateur de navigation tenait compte de chaque feu rouge, de chaque zone de construction et de chaque véhicule sur la route, il vous donnerait une réponse très précise. Mais cela pourrait prendre une heure, le temps que les circonstances changent et la réponse serait probablement erronée. Ce n’est pas très utile si vous essayez de prendre une décision dans l’immédiat.
Un modèle plus simple pourrait supposer que toutes les routes sont dégagées et que toutes les voitures roulent à la vitesse autorisée. Cette simulation fournit un résultat instantané, mais ses résultats sont très imprécis lorsque le trafic est dense ou qu’une route est fermée. Elle ne rend pas compte de la réalité des heures de pointe.
Pendant que vous conduisez, le système de gestion de la batterie effectue une série de calculs similaires pour déterminer le niveau de charge disponible pour le reste du trajet. Il tient compte de la température de la batterie, de son âge et de la quantité d’énergie demandée par la voiture, par exemple en cas de montée d’une pente raide ou d’accélération rapide pour suivre les autres voitures. Mais comme les simulations de navigation, il doit trouver un équilibre entre une précision extrême et la fourniture d’informations utiles avant que la batterie ne s’épuise au milieu du trajet.
Les modèles les plus précis, qui simulent chaque réaction chimique à l’intérieur de la batterie, sont trop lents pour être utilisés en temps réel. Les modèles les plus rapides simplifient tellement les choses qu’ils passent à côté de comportements clés, notamment en cas de stress, tels que la charge rapide ou les pics soudains de consommation d’énergie.
Comment les chercheurs comblent le fossé
Ce compromis entre vitesse et précision est aujourd’hui au cœur de la recherche sur la modélisation des batteries. Les scientifiques et les ingénieurs explorent de nombreuses façons de le résoudre.
Certains réécrivent les logiciels de modélisation pour rendre les calculs physiques plus efficaces, en réduisant la complexité sans perdre les détails essentiels. D’autres, comme moi, se tournent vers l’apprentissage automatique, qui consiste à entraîner les ordinateurs à reconnaître des modèles dans les données et à faire des prédictions rapides et précises sans avoir à résoudre chaque équation sous-jacente.
Dans mes travaux récents, j’ai utilisé un simulateur de batterie de haute précision – l’un de ceux qui sont vraiment précis mais très lents – pour générer une quantité massive de données sur le fonctionnement d’une batterie lors de la charge et de la décharge. J’ai utilisé ces données pour entraîner un algorithme d’apprentissage automatique appelé XGBoost, qui est particulièrement efficace pour trouver des modèles dans les données.
J’ai ensuite utilisé un logiciel pour associer le système XGBoost à un modèle de batterie simple et rapide qui saisit la physique de base, mais qui peut manquer de détails plus fins. Le modèle plus simple produit un ensemble initial de résultats, et l’élément XGBoost les affine pour apporter des corrections à la volée, en particulier lorsque la batterie est soumise à des contraintes.
Le résultat est un modèle hybride capable de réagir rapidement et avec précision aux changements de conditions de conduite. Un conducteur qui appuierait sur l’accélérateur avec le modèle simple ne recevrait pas assez d’énergie ; un modèle plus détaillé ne donnerait la bonne quantité d’énergie qu’après avoir terminé tous ses calculs. Mon modèle hybride fournit une augmentation rapide de l’énergie sans délai.
D’autres équipes travaillent sur des approches hybrides similaires, mêlant physique et intelligence artificielle de manière créative. Certaines construisent même des jumeaux numériques – des répliques virtuelles en temps réel de batteries physiques – pour offrir des simulations sophistiquées qui se mettent à jour en permanence en fonction de l’évolution des conditions.
Prochaines étapes
La recherche sur les batteries évolue rapidement et des signes de changement sont déjà perceptibles dans ce domaine. Les modèles deviennent plus fiables dans un plus grand nombre de conditions. Les ingénieurs utilisent la surveillance en temps réel pour prolonger la durée de vie des batteries, éviter les surchauffes et améliorer l’efficacité énergétique. L’apprentissage automatique permet aux chercheurs de former les systèmes de gestion des batteries afin d’optimiser les performances pour des applications spécifiques, telles que les fortes demandes de puissance des véhicules électriques, les cycles quotidiens d’utilisation de l’électricité à la maison, les courtes rafales de puissance pour les drones ou les exigences de longue durée pour les systèmes de batteries à l’échelle des bâtiments.
Et ce n’est pas fini : Les chercheurs s’efforcent d’inclure d’autres facteurs importants dans leurs modèles de batterie, tels que la production de chaleur et les contraintes mécaniques.
Certaines équipes utilisent des modèles hybrides et compilent leur logiciel en un code léger qui s’exécute sur des microcontrôleurs à l’intérieur du matériel de la batterie. En pratique, cela signifie que chaque batterie embarque son propre cerveau, qui calcule l’état de charge, estime le vieillissement et suit les contraintes thermiques ou mécaniques en temps quasi réel. En intégrant le modèle dans l’électronique de l’appareil, le bloc peut ajuster de manière autonome sa stratégie de charge et de décharge à la volée, ce qui rend chaque batterie plus intelligente, plus sûre et plus efficace.
À mesure que le paysage énergétique évolue – avec davantage de véhicules électriques sur les routes, davantage de sources d’énergie renouvelable alimentant le réseau et davantage de personnes dépendant des batteries dans leur vie quotidienne – la capacité à comprendre ce que fait une batterie en temps réel devient plus critique que jamais.
Emmanuel Olugbade, Ph.D. Candidate in Mechanical Engineering, Missouri University of Science and Technology
Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l’article original.
