dimanche, septembre 14, 2025
  • Connexion
Enerzine.com
  • Accueil
  • Energie
    • Electricité
    • Marché Energie
    • Nucléaire
    • Pétrole
    • Gaz
    • Charbon
  • Renouvelable
    • Biogaz
    • Biomasse
    • Eolien
    • Géothermie
    • Hydro
    • Hydrogène
    • Solaire
  • Technologie
    • Batterie
    • Intelligence artificielle
    • Matériaux
    • Quantique
    • Recherche
    • Robotique
    • Autres
      • Chaleur
      • Communication
      • Fusion
      • Graphène
      • Impression
      • Industrie énergie
      • Industrie technologie
      • Laser
      • Nanotechnologie
      • Optique
  • Environnement
    • Carbone
    • Circulaire
    • Climat
    • Déchets
    • Durable
    • Risques
    • Santé
  • Mobilité
    • Aérien
    • Infrastructure
    • Logistique
    • Maritime
    • Spatial
    • Terrestre
  • Habitat
  • Insolite
  • GuideElectro
    • Sommaire
    • Maison
    • Chauffage
    • Bricolage
    • Jardin
    • Domotique
    • Autres
      • Isolations
      • Eclairage
      • Nomade
      • Loisir
      • Compostage
      • Médical
  • LaboFUN
    • Science
    • Lévitation
    • Globe
Aucun résultat
Voir tous les résultats
  • Accueil
  • Energie
    • Electricité
    • Marché Energie
    • Nucléaire
    • Pétrole
    • Gaz
    • Charbon
  • Renouvelable
    • Biogaz
    • Biomasse
    • Eolien
    • Géothermie
    • Hydro
    • Hydrogène
    • Solaire
  • Technologie
    • Batterie
    • Intelligence artificielle
    • Matériaux
    • Quantique
    • Recherche
    • Robotique
    • Autres
      • Chaleur
      • Communication
      • Fusion
      • Graphène
      • Impression
      • Industrie énergie
      • Industrie technologie
      • Laser
      • Nanotechnologie
      • Optique
  • Environnement
    • Carbone
    • Circulaire
    • Climat
    • Déchets
    • Durable
    • Risques
    • Santé
  • Mobilité
    • Aérien
    • Infrastructure
    • Logistique
    • Maritime
    • Spatial
    • Terrestre
  • Habitat
  • Insolite
  • GuideElectro
    • Sommaire
    • Maison
    • Chauffage
    • Bricolage
    • Jardin
    • Domotique
    • Autres
      • Isolations
      • Eclairage
      • Nomade
      • Loisir
      • Compostage
      • Médical
  • LaboFUN
    • Science
    • Lévitation
    • Globe
Aucun résultat
Voir tous les résultats
Enerzine.com
Aucun résultat
Voir tous les résultats
Avec 5% de données, cette technologie prédit la charge de votre batterie

battery

Avec 5% de données, cette technologie prédit la charge de votre batterie

par La rédaction
22 août 2023
en Intelligence artificielle, Technologie

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. »

Extraction et reconstruction des caractéristiques des courbes de charge de la batterie. a) Visualisation de toutes les 10066 courbes de charge. b) Courbes de charge normalisées et courbe de charge normalisée moyenne calculée en prenant la moyenne des capacités normalisées à différentes tensions. c) Comparaison entre trois courbes de charge mesurées et les courbes de charge reconstruites correspondantes. d) Distribution de l’erreur de reconstruction de toutes les courbes de charge. dx.doi.org/10.1002/advs.202301737

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.

Articles à explorer

Mistral AI lève 1,7 milliard d’euros pour accélérer le progrès technologique grâce à l’IA

Mistral AI lève 1,7 milliard d’euros pour accélérer le progrès technologique grâce à l’IA

9 septembre 2025
Une puce photonique réduit de 99 % la consommation énergétique des calculs d’IA

Une puce photonique réduit de 99 % la consommation énergétique des calculs d’IA

9 septembre 2025

« 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

Partager l'article avec :
  WhatsApp   LinkedIn   Facebook   Telegram   Email
Tags: apprentissagebatteriechargeia
Article précédent

PV-leaf : La technologie solaire qui génère 10% d’électricité en plus

Article suivant

Les avantages de l’hydroélectricité pour le stockage de l’énergie à l’échelle du réseau

La rédaction

La rédaction

Enerzine.com propose une couverture approfondie des innovations technologiques et scientifiques, avec un accent particulier sur : - Les énergies renouvelables et le stockage énergétique - Les avancées en matière de mobilité et transport - Les découvertes scientifiques environnementales - Les innovations technologiques - Les solutions pour l'habitat Les articles sont rédigés avec un souci du détail technique tout en restant accessibles, couvrant aussi bien l'actualité immédiate que des analyses. La ligne éditoriale se concentre particulièrement sur les innovations et les avancées technologiques qui façonnent notre futur énergétique et environnemental, avec une attention particulière portée aux solutions durables et aux développements scientifiques majeurs.

A lire également

Des lasers pour maîtriser les vibrations quantiques
Laser

Des lasers pour maîtriser les vibrations quantiques

il y a 4 heures
Des chercheurs découvrent de nouvelles méthodes pour fabriquer des micropuces plus petites
Industrie technologie

Des chercheurs découvrent de nouvelles méthodes pour fabriquer des micropuces plus petites

il y a 1 jour
Tokyo dévoile une méthode pour créer des nanodiamants jusqu’à 10 nanomètres sans pression
Recherche

Tokyo dévoile une méthode pour créer des nanodiamants jusqu’à 10 nanomètres sans pression

il y a 1 jour
Des capteurs ultra-sensibles traquent la matière noire la plus légère jamais ciblée
Recherche

Des capteurs ultra-sensibles traquent la matière noire la plus légère jamais ciblée

il y a 2 jours
Phasecraft vise l’avantage quantique industriel grâce à un financement de 34 millions $
Quantique

Phasecraft vise l’avantage quantique industriel grâce à un financement de 34 millions $

il y a 2 jours
Des vitesses de calcul jusqu'à 73 fois plus rapides dans le processus de découverte de médicaments
Quantique

Des vitesses de calcul jusqu’à 73 fois plus rapides dans le processus de découverte de médicaments

il y a 2 jours
Plus d'articles
Article suivant
Une analyse révèle les avantages de l'hydroélectricité pour le stockage de l'énergie à l'échelle du réseau

Les avantages de l'hydroélectricité pour le stockage de l'énergie à l'échelle du réseau

La danse quantique des photons en direct ressemble étrangement au Ying et Yang

La danse quantique des photons ressemble étrangement au Yin et Yang

Sandia teste avec succès un système alimenté par la chaleur

Sandia teste avec succès un système alimenté par la chaleur

Bibliothèque photos préférée : Depositphotos.com
depositphotos
Enerzine est rémunéré pour les achats éligibles à la plateforme AMAZON

Articles récents

BYD dévoile son break hybride SEAL 6 DM-i à Munich, avec 1300 km d’autonomie

BYD dévoile son break hybride SEAL 6 DM-i à Munich, avec 1300 km d’autonomie

14 septembre 2025
L’IGN dévoile son atlas 2025 sur les inondations : cartographier pour mieux résister

L’IGN dévoile son atlas 2025 sur les inondations : cartographier pour mieux anticiper

14 septembre 2025
  • A propos
  • Newsletter
  • Publicité – Digital advertising
  • Mentions légales
  • Confidentialité
  • Contact

© 2025 Enerzine.com

Bienvenue !

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In
Aucun résultat
Voir tous les résultats
  • Accueil
  • Energie
  • Renouvelable
  • Technologie
  • Environnement
  • Mobilité
  • Habitat
  • Insolite
  • Guide
  • Labo

© 2025 Enerzine.com