Dans un monde en constante évolution technologique, la durabilité et l’efficacité des batteries lithium-ion revêtent une importance capitale. Alors que les véhicules électriques s’apprêtent à redéfinir nos routes, comment une technologie basée sur l’apprentissage automatique pourrait-elle renforcer la fiabilité de ces sources d’énergie essentielles ?
Les batteries lithium-ion alimentent bon nombre de nos appareils préférés, comme les téléphones portables et les ordinateurs portables. Et avec l’avènement des véhicules électriques, leur rôle dans notre quotidien ne cesse de s’accentuer.
Ce besoin grandissant souligne l’importance d’une source d’énergie portable fiable et sûre. C’est ici qu’intervient la gestion optimisée de ces batteries.
Un système de gestion novateur
Des chercheurs de Carnegie Mellon et de l’Université du Texas à Austin ont élaboré un système de gestion de batteries permettant d’effectuer des diagnostics essentiels sur leur santé. Ainsi, les utilisateurs peuvent prendre des décisions éclairées concernant l’état de charge et l’état de santé de leur batterie.
Reeja Jayan, professeure associée en génie mécanique, déclare : « Nous avions une base de données d’environ 11 000 courbes de charge collectées expérimentalement pour une chimie d’électrode de batterie particulière. Nous les avons utilisées pour former un modèle d’apprentissage automatique afin de prédire les courbes de charge complètes à partir de données d’entrée éparses. »
La différence : L’apprentissage automatique
La particularité de ce nouveau modèle repose sur sa capacité à utiliser un volume de données minimal pour produire des prédictions de charge d’une précision remarquable. Seulement 15 minutes sont nécessaires pour déterminer la santé de la batterie.
Plus encore, le modèle peut effectuer des analyses même si la charge est interrompue. Son taux de précision élevé a permis de réaliser des prédictions sur différentes chimies d’électrodes.
Les défis à relever et l’avenir de la recherche
Malgré les succès initiaux, le modèle présente encore des défis.
« Les courbes de charge que nous avons utilisées dans l’étude ont été recueillies à un taux c constant et à température ambiante« , a indiqué Reeja Jayan, « mais le courant de charge et la température varient beaucoup dans les applications de batterie du monde réel. La collecte et l’utilisation de données réelles comme données d’entrée pour les modèles d’apprentissage automatique constitueront une prochaine étape importante pour améliorer le modèle. »
En utilisant des facteurs environnementaux et des réseaux neuronaux complexes, le système de gestion pourra effectuer des prédictions de charge et de décharge avec une précision croissante.
L’une des ressources les plus utiles pour l’avenir de ce domaine de recherche est constituée par les données provenant des batteries des véhicules électriques en circulation. L’utilisation de données réelles et de réseaux neuronaux complexes permettra aux systèmes de gestion des batteries de faire des prévisions de charge et de décharge de plus en plus précises, ce qui aura un effet d’entraînement sur la façon dont les véhicules électriques sont entretenus au fur et à mesure qu’ils deviennent plus courants.
En synthèse
Le monde des véhicules électriques exige des systèmes de gestion de batteries performants et fiables. Grâce à l’apprentissage automatique, une nouvelle approche prometteuse se dessine, offrant des diagnostics précis et des prédictions éclairées. Cette recherche, tout en étant encore en développement, s’annonce comme une étape clé pour le futur des transports électriques.
Pour une meilleure compréhension
Qu’est-ce que le système de gestion de batteries ?
Il s’agit d’un système qui permet d’effectuer des diagnostics essentiels sur la santé d’une batterie, notamment son état de charge et son état de santé.
En quoi ce nouveau modèle est-il différent ?
Il utilise l’apprentissage automatique pour effectuer des prédictions précises avec des données minimales, en seulement 15 minutes de charge.
Quels sont les défis à relever pour ce modèle ?
Le modèle doit être amélioré en utilisant des données réelles et en tenant compte de facteurs environnementaux variés.
Comment cette recherche bénéficie-t-elle aux véhicules électriques ?
Elle permet de garantir une meilleure gestion des batteries, essentielle à la sécurité et à la performance des véhicules électriques.
Quelle est la prochaine étape pour cette recherche ?
Intégrer des données réelles et affiner le modèle grâce à des réseaux neuronaux complexes.
Référence : Laisuo Su et al, Battery Charge Curve Prediction via Feature Extraction and Supervised Machine Learning, Advanced Science (2023). DOI: 10.1002/advs.202301737
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
