Recharge rapide : l’IA prolonge la durée de vie des batteries de 23 %

Des chercheurs de l’université de technologie Chalmers, en Suède, ont récemment mis au point une méthode d’intelligence artificielle capable d’adapter la recharge rapide des véhicules électriques à l’état de santé réel de la batterie. Résultat : une longévité accrue de près de 23 %, sans allonger le temps de charge ni nécessiter de nouveau matériel.

Charger rapidement sans sacrifier la batterie. Voilà le compromis que tentent de résoudre les ingénieurs depuis l’arrivée des premiers véhicules électriques grand public. Une équipe de l’Université de technologie Chalmers, en Suède, propose aujourd’hui une réponse fondée sur l’intelligence artificielle. Leur méthode, pilotée par apprentissage par renforcement, ajuste le courant de charge en fonction de l’état électrochimique réel de l’accumulateur. Les gains obtenus sont tangibles : une progression de 22,9 % du nombre de cycles avant que la capacité ne chute sous la barre des 80 %.

Les protocoles de charge rapide classiques appliquent des paramètres identiques, quel que soit le vieillissement de la batterie. Une cellule neuve reçoit le même courant qu’une cellule ayant déjà parcouru plusieurs centaines de milliers de kilomètres. L’uniformité des protocoles accroît le risque de réactions secondaires indésirables, au premier rang desquelles le placage du lithium. Le phénomène survient lorsque du lithium métallique se dépose sur l’électrode au lieu d’être correctement inséré dans sa structure. Conséquences directes : perte de capacité irréversible et, dans certains cas, danger pour la sécurité.

Un modèle entraîné pour s’adapter au vieillissement

Changfu Zou, professeur au département de génie électrique de Chalmers, et Meng Yuan, aujourd’hui professeur assistant à l’Université Victoria de Wellington, ont conçu un algorithme exploitant l’apprentissage par renforcement. Celui-ci a été formé via une simulation haute fidélité reproduisant l’un des types de batteries les plus répandus sur le marché. À chaque cycle, l’IA ajuste les paramètres de charge en croisant deux variables : le niveau de charge instantané et l’état de santé électrochimique à long terme.

« Nous montrons qu’il est possible de charger à peu près aussi vite qu’aujourd’hui, mais avec une dégradation à long terme de la batterie nettement moindre », a déclaré Meng Yuan. Les chiffres parlent d’eux-mêmes : la durée de vie passe de 572 à 703 cycles complets équivalents avant d’atteindre le seuil de 80 % de capacité résiduelle. L’étude a été publiée dans IEEE Transactions on Transportation Electrification.

Une mise à jour logicielle, sans nouveau matériel

L’attrait principal de la méthode réside dans son déploiement potentiel. Selon les chercheurs, elle pourrait être intégrée aux systèmes de gestion de batterie existants via une simple mise à jour logicielle. Aucun composant supplémentaire n’est requis. Chaque chimie de batterie nécessiterait une phase de calibration, mais Changfu Zou insiste sur un levier d’accélération : l’apprentissage par transfert, qui permet de capitaliser sur les connaissances déjà acquises par le modèle pour l’adapter rapidement à de nouvelles formulations.

« Pour l’industrie automobile, une augmentation de près de 23 % de la durée de vie des batteries peut se traduire par une réduction des coûts de garantie, une meilleure valeur à la revente et une utilisation plus efficace des matières premières », a précisé Changfu Zou.

Prochaine étape : les tests sur cellules physiques

La validation sur batterie réelle constitue désormais la priorité. La modélisation en simulation a livré des résultats solides, mais le passage au banc d’essai physique reste indispensable pour confirmer le comportement de l’algorithme face aux aléas thermiques, aux imprécisions des capteurs et aux variations de fabrication.

La longévité des batteries de véhicules électriques oscille actuellement entre 8 et 15 ans selon les conditions d’usage. Les enquêtes menées régulièrement auprès des consommateurs européens identifient cette durabilité comme un frein persistant à l’achat. Une amélioration obtenue par voie logicielle, sans surcoût matériel, pourrait contribuer à dissiper les hésitations.

La prochaine étape consistera à tester la méthode sur des batteries physiques alors qu’une certaine calibration resterait nécessaire pour les différentes chimies de batteries. Toutefois Zou a souligné que l’apprentissage par transfert… pourrait accélérer l’adaptation à de nouveaux types de batteries.

Article : « Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-Ion Batteries » – DOI : 10.1109/TTE.2025.3625421

Source : Chalmers U.