Un jumeau numérique pour fabriquer des batteries

Publié le 4 novembre 2024 par Morgane Olès

Dans le laboratoire de réactivité et de chimie des solides, l'équipe d'Alejandro A. Franco mijote des batteries dont la «recette» est fournie par des jumeaux numériques… Une méthode pionnière de rétro-ingénierie qui permet d'optimiser la conception d'électrodes et de cellules de batteries de façon plus efficace.

© Alejandro A. Franco chaine pilote batteries«De nos jours, nous jetons environ un tiers des batteries produites lorsque l'on fiat de la R&D. Dans les cas extrêmes, cela peut aller jusqu'à 90 % !», affirme Alejandro A. Franco, professeur au Laboratoire de réactivité et chimie des solides (CNRS/Université de Picardie Jules Verne). Ces pertes conséquentes s'expliquent tout simplement par la méthode utilisée dans le domaine de la production de batteries. « Actuellement, on fabrique des électrodes tests jusqu'à en obtenir une optimale. Il y a donc beaucoup d'itérations avant d'entrer en production », explique le chercheur.

Ses travaux visent donc à optimiser ce processus de fabrication via l'utilisation de jumeaux numériques. L'outil proposé par son laboratoire permet de faire de la rétro-ingénierie de batteries. Autrement dit, on donne au jumeau des caractéristiques finales à atteindre pour la batterie recherchée, et il fournit la «recette» à appliquer pour la concevoir Pour cela, les chercheurs du laboratoire d'Alejandro A. Franco ont principalement recours à trois outils. Une ligne pilote de fabrication de batteries, des modèles physiques, et de l'intelligence artificielle.

Recours à l’IA

D'abord, la ligne pilote permet de réaliser des batteries présentant différents types de propriétés. Les chercheurs font varier les conditions de fabrication: formulation, vitesse de dépôt de la matière, de séchage, pression exercée sur l'électrode après le séchage (calandrage)... Ils relèvent ensuite les résultats obtenus. Grâce à ces données, les chercheurs calibrent des modèles physiques, c'est-à-dire des modèles mathématiques qui décrivent la physique à l'œuvre dans les procédés de fabrication. Une fois calibrés, ces modèles permettent de remplacer l'expérience, en générant des cellules virtuelles. Ces nouvelles données numériques s'ajoutent aux données expérimentales pour former une base de données hybride.

C'est là qu'intervient l'IA, ou plus précisément l'apprentissage automatique. Toutes ces données sont injectées dans un programme qui déduit des corrélations entre les paramètres de fabrication et les propriétés obtenues. Ces corrélations sont ensuite utilisées par une seconde IA, chargée de l'optimisation. Il «suffit» alors de demander une électrode présentant des caractéristiques précises (poids, volume, puissance…) pour se voir proposer des paramètres de fabrication correspondant au besoin. «Alors qu'un modèle physique nécessite plusieurs heures de calcul pour sortir un résultat, l'IA peut le faire en quelques secondes. Mais pour cela, l’algorithme a besoin de données, d'où le fait que ces deux outils se complètent», précise Alejandro A. Franco.

Même si cet outil est déjà fonctionnel, le chercheur voit encore des défis à relever. «La transmission des données ne se fait pas en temps réel entre la chaîne de fabrication et le modèle numérique. Une batterie est une conception complexe, il manque par exemple des capteurs qui permettraient d'inspecter l'architecture interne en temps réel. Des challenges restent ouverts». Selon le scientifique, l’outil attire déjà beaucoup d’intérêt des industriels, et une startup, co-fondée par Alejandro A. Franco, verra le jour bientôt pour le valoriser.

Morgane Olès

lrcs.u-picardie.fr/equipe/permanents/detail/alejandro-a-franco/

modeling-electrochemistry.com/research