Thèse Estimation de la Température des Cellules Lithium-Soufre par Impédance à l'Aide de Réseaux de Neurones Artificiels. H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École polytechnique École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : LPICM - Laboratoire des Interfaces et des Couches Minces Direction de la thèse : Mariam EZZEDINE ORCID 0000000154379237 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-01T23:59:59 Parmi les différentes technologies de stockage d'énergie, les batteries rechargeables, en particulier les batteries lithium-ion (LiBs), sont largement utilisées en raison de leurs nombreux atouts : haute tension et courant de fonctionnement, densité énergétique élevée, légèreté, longue durée de vie et faible impact environnemental [1]. Cependant, la densité énergétique maximale théorique des LiBs commerciales reste insuffisante pour répondre aux besoins des technologies énergivores du futur. De plus, la majorité des efforts de recherche et développement se sont concentrés sur des applications à température ambiante. Or, la performance des LiBs est fortement influencée par la température, notamment en ce qui concerne le vieillissement des cellules et les enjeux de sécurité [2]. À basse température, la diminution de la cinétique des réactions favorise le dépôt de lithium, réduisant ainsi la quantité de lithium disponible. À l'inverse, des températures élevées peuvent engendrer des réactions secondaires indésirables, entraînant une dégradation rapide des cellules. Des températures excessives peuvent également provoquer la décomposition des matériaux, déclenchant un emballement thermique pouvant conduire à une explosion [2]. Pour relever ces défis, les futures technologies de batteries doivent assurer des performances optimales sur une large plage de températures, y compris dans des environnements extrêmes.

Récemment, d'importants efforts ont été consacrés au développement de systèmes de stockage d'énergie fonctionnant à des températures étendues (basses et élevées), avec les batteries lithium-soufre (Li-S) apparaissant comme l'une des alternatives les plus prometteuses. Elles offrent une énergie spécifique théorique de 2600 Whkg¹, soit environ cinq fois plus que les LiBs actuelles. De plus, le soufre est abondant, peu coûteux et non toxique. Par ailleurs, les batteries Li-S conservent une densité énergétique élevée à basse température, ce qui les rend particulièrement adaptées aux environnements extrêmes [3].

Les méthodes basées sur l'impédance suscitent un intérêt croissant pour l'estimation de la température interne moyenne des batteries, sans nécessiter de capteurs supplémentaires internes ou externes. Ces méthodes sont ainsi qualifiées de techniques de mesure de température sans capteur [4].

Cette thèse explore une approche d'estimation sans capteur, combinant les données de spectroscopie d'impédance électrochimique (EIS) avec des réseaux de neurones artificiels (ANNs) [4]. Traditionnellement, un système de gestion de batterie (BMS) repose sur des capteurs intégrés, tels que des thermistances ou des thermocouples, pour surveiller la température interne et prévenir les risques d'emballement thermique [5]. Dans les méthodes sans capteur, le spectre d'impédance d'une batterie, obtenu par EIS, contient des signatures caractéristiques en corrélation avec sa température interne. En entraînant un ANN à reconnaître ces modèles, il devient possible de prédire la température interne de la batterie à partir de signaux électriques mesurables (tension, courant et temps). Une fois intégré à un BMS avancé, ce procédé permet une surveillance thermique en temps réel, améliorant la sécurité et réduisant les risques tels que la surchauffe, les incendies ou les explosions. L'un des principaux avantages de la méthode EIS-ANN réside dans sa rapidité d'estimation de la température, réalisée en quelques millisecondes, sans nécessiter de résolution intensive d'équations aux dérivées partielles.

Le candidat doit être titulaire d'un Master 2 Recherche en physique appliquée, science des matériaux ou informatique et posséder une solide expérience en intelligence artificielle et apprentissage automatique. La maîtrise de Python, MATLAB ou de langages de programmation similaires pour le développement de modèles d'IA et le traitement des données est requise. Une connaissance approfondie de la spectroscopie d'impédance électrochimique est indispensable, et une familiarité avec les batteries serait un atout.

Excellentes compétences en communication écrite et orale (anglais obligatoire) et autonomie dans la rédaction de rapports. Esprit d'équipe essentiel.

Le candidat devra fournir l'ensemble des diplômes obtenus ainsi qu'un relevé de notes des deux années de Master.