Missions

Développer des modèles d’IA exploitant les courbes de cyclage pour prédire l’état de santé (SoH) des batteries à différentes échelles de temps, même en conditions complexes. Concevoir des méthodes robustes d’estimation de l’état de charge (SoC) en combinant IA et filtres de Kalman. Anticiper les dégradations pour optimiser la maintenance et prolonger la durée de vie des cellules.

Activités

Développer et valider des modèles d’IA data-driven permettant d’exploiter les courbes électrochimiques de cyclage et de réaliser des prédictions à court, moyen et long terme du SoH, y compris dans des conditions de charge/décharge hétérogènes (AC, DC, AC+DC, triphasé).
Concevoir des stratégies d’estimation fiables du SoC, combinant des techniques d’IA et des filtres de Kalman, afin d’éviter que des évaluations erronées du SoC n’affectent l’interprétation du SoH ou la gestion globale de la batterie.
Anticiper les phénomènes de dégradation (anomalies, vieillissement accéléré, surchauffe) grâce à des approches avancées de détection, permettant d’optimiser la maintenance préventive et de prolonger la durée de vie opérationnelle des cellules.

Compétences

Formation d’ingénieur ou doctorat en IA, science des données. Solides connaissances en algorithmie et en programmation., Goût pour le travail collaboratif et la recherche appliquée.

Contexte de travail

Les travaux seront effectués au sein du Laboratoire de Réactivité et de Chimies des Solides (LRCS) dans le cadre du Projet FTJ Basecamp 10kWh.