Dans le contexte de la transition énergétique, les systèmes de stockage par batterie jouent un rôle de plus en plus important aussi bien pour la mobilité électrique que pour les applications stationnaires. Le Groupe EDF s’est positionné comme un acteur important en France et dans le monde dans ce domaine grâce à de nombreux projets de stockage développés et exploités par ses filiales.
Le sujet du vieillissement des batteries Li ion est un sujet technologique majeur sur lequel la R&D d’EDF travaille depuis de nombreuses années. Ces travaux s’appuyent notamment sur un riche historique de données expérimentales collectées sur des dizaines de références de cellules commerciales distinctes pour un total de près de 15000 tests individuels effectués dans les laboratoires de la R&D d’EDF. Ces données de type séries temporelles sont centralisées sur un datalake à partir duquel des traitements de données peuvent être effectués avec des outils adaptés au contexte big data. Aujourd’hui ces données sont entre autres utilisées pour construire des modèles de vieillissement analytiques mais qui n’exploitent qu’une petite partie des données collectées.
Objectifs
L’objectif de cette thèse est de renforcer à la fois notre compréhension du vieillissement des batteries Li ion et notre capacité à le modéliser grâce à l’intelligence artificielle. Plus particulièrement, cette thèse se donne comme double objectif d’utiliser les approches de machine learning afin :
1.      D’exploiter toute la diversité de la base de données expérimentale pour mettre en lumière de nouveaux liens entre causes et conséquences du vieillissement.
2.      De concevoir et tester de nouveaux modèles de vieillissement basés sur l’IA, permettant d’apporter un avantage par rapport aux modèles analytiques classiques. Cela pourrait par exemple correspondre au développement de modèles légers, embarquables et adaptatifs, mettant à jour leurs paramètres de manière continue, à mesure que les nouvelles données arrivent.  Un des objectifs finaux est d’optimiser les performances et la durée de vie des batteries en fonction des conditions spécifiques d’utilisation.

Organisation
Cette thèse CIFRE sera co-encadrée par EDF R&D et le laboratoire ICube-CNRS de l’INSA Strasbourg
-          Au sein de la R&D d’EDF, des experts des départements Laboratoire des Matériels Electriques (LME) et Services, Economie, Questions hUmaines, Outils innovants et IA (SEQUOIA) seront mobilisés pour apporter la double compétence batteries et science des données.
-          Au sein du laboratoire ICube qui est sous la tutelle du CNRS, l'Université de Strasbourg, l’ENGEES et l’INSA Strasbourg.

Le ou la doctorant(e) sera accueilli(e) à la fois dans le centre EDF Lab Les Renardières (accessible en transport en commun depuis Paris Gare de Lyon et en navette entreprise depuis les villes alentours) et à l’INSA Strasbourg, avec un rythme qui sera à définir.

Etudiant(e) titulaire d’un diplôme d’ingénieur ou d’un Master 2 avec une spécialisation en Machine Learning ou génie électrique avec un mineur en science de données.

Idéalement, le ou la candidat(e) aura débuté avec une formation d’ingénieur(e) généraliste ou une formation initiale en chimie, physique, électrochimie, science des matériaux ou informatique.

Un intérêt fort pour le domaine des batteries est indispensable et une première expérience sur ce sujet serait un plus.

Note : une seconde thèse sur l’IA et le vieillissement des batteries à EDF R&D avec un périmètre complémentaire à celle-ci sera publiée prochainement.