L’apprentissage de l’IA aidera-t-il les batteries à recharger rapidement ?

Lors du panel Battery Show & EV Tech Digital Days, des chercheurs du MIT, de Stanford et du Toyota Research Institute (TRI) ont utilisé l’intelligence artificielle (IA) pour prédire les performances des batteries lithium-ion. Le système basé sur l’apprentissage automatique avait été formé à l’aide de données générées à partir d’une chambre d’essai où l’énergie était déchargée et chargée aussi rapidement que possible dans des centaines de batteries. Les données ont été utilisées pour enseigner à l’IA comment construire une meilleure batterie.

Les batteries à charge rapide sont considérées comme un élément crucial pour l’adoption des véhicules électriques (VE) afin que la future recharge des VE reproduise la commodité et la vitesse de remplissage d’un réservoir dans une station-service. Mais l’IA suffira-t-elle à résoudre ce problème ? Pour répondre à cette question, The Battery Show a réuni un panel virtuel en direct d’experts de premier plan comprenant AK Srouji, directeur technique de Romeo Power Technology, Erik Stafl, président de Stafl Systems, et Jarvis Tou, vice-président exécutif d’Enevate Corporation. Le rédacteur en chef de Design News, John Blyler, a animé le panel. Ce qui suit est une partie de la session de questions-réponses qui s’est concentrée sur les technologies d’IA et de batterie.

Question: Le panel peut-il parler de la mise en œuvre d’algorithmes d’IA pour permettre une charge rapide et une faible dégradation ?

Erik Stafl : Fondamentalement, votre système de gestion de batterie (BMS) doit avoir un algorithme qui met continuellement à jour l’estimation de l’état de l’état de chaque groupe de cellules dans le pack. Vous voudrez réfléchir à la capacité de ce groupe de cellules ? Quelle est l’impédance de ce groupe cellulaire? Quel est le delta global des performances de ce groupe de cellules par rapport aux autres ? Au fur et à mesure que vous répondez à ces questions, vous devrez ajuster l’algorithme global pour essayer de maximiser votre taux de charge tout en minimisant la dégradation de chaque groupe de cellules.

Vous devez penser à chaque groupe de cellules individuellement car parfois vous avez un groupe solide qui vieillit plus vite que les autres. Évidemment, nous voulons toujours une batterie idéale qui présente une uniformité thermique, de capacité et d’impédance, mais en réalité, ce n’est pas toujours le cas. Vous devez donc vous assurer de ne pas vous retrouver dans des recoins où vous avez des fuites thermiques et un vieillissement différentiel sur ces différents groupes de cellules.

Le point principal est que vous surveillez cela au niveau du groupe de cellules, puis que vous mettez à jour tous les différents paramètres et chaque événement de charge. Ces mises à jour permettront à l’algorithme d’IA d’apprendre et de s’ajuster au fur et à mesure, comme un algorithme d’apprentissage en profondeur.

Adobe Stock, système de gestion de batterie

Batterie au lithium de véhicule électrique et connexions de câblage internes entre les cellules.

AK Srouji : Du point de vue de la science des matériaux, les gens travaillent avec l’IA pour essayer d’identifier de nouveaux couples chimiques, qu’il s’agisse d’additifs électrolytiques ou d’autres composés. C’est l’IA qui croise la science des matériaux. Et l’espoir est que cela accélère le rythme de découverte de nouveaux couples ou de nouveaux composés ou de chimie stable car la chimie classique prend beaucoup de temps. Les idées des chercheurs et les connaissances de l’IA, associées à des expérimentations à haut débit, contribueront à accélérer la vitesse à laquelle nous faisons des découvertes, par exemple, dans les batteries lithium-ion. La découverte d’améliorations matérielles pourrait conduire à une amélioration des taux de charge. Mais nous devons faire tourner les algorithmes dans cette direction.

Pour en revenir au système de gestion de batterie, nous avons une équipe d’apprentissage automatique qui se concentre sur la résolution du problème pratique du vieillissement de la batterie. Cette condition que nous pouvons montrer en laboratoire, des choses comme les fonctions de haute tension, basse tension, taux de charge, température, etc. Nous pouvons ensuite traduire ces données dans le module et dans le pack et appliquer ces formules.

Des méthodes d’apprentissage automatique et d’IA sont nécessaires pour gérer les ensembles de données vraiment volumineux et non contrôlés qui sont collectés sur le terrain, par exemple, pour toutes les batteries utilisées dans une flotte de voitures ou de camions. Les variables de l’état de la flotte comprendraient la vitesse des différents conducteurs à différents moments de la journée, les taux de charge qui se produisent tout au long de la journée, etc.

Jarvis Tou : AK et Erik se sont vraiment concentrés sur l’utilisation de l’IA dans le BMS pour les données en temps réel des voitures sur le terrain.

L’autre domaine où l’IA est utile est la R&D, par exemple, l’utilisation de la modélisation basée sur la physique et de l’apprentissage automatique en profondeur sur des ensembles de données très, très volumineux. Lorsque vous avez beaucoup de canaux d’équipement de test, nous avons environ 2 500 canaux de test qui génèrent des téraoctets de données. L’IA peut être utilisée pour extraire ces données, à la recherche des bons modèles. C’est bon pour les optimisations et pour peaufiner les choses pour des changements mineurs, mais je ne pense pas que ce soit encore assez mature pour permettre des découvertes révolutionnaires. C’est très bon pour prendre les données que vous avez et trouver des moyens de les optimiser, plutôt que d’essayer de trouver quelque chose où vous n’avez pas de données.

Le spectacle de la batterie

The Battery Show Panel : (en haut à gauche : John Blyler – Design News ; en haut à droite : Jarvis Tou – Enevate Corp ; en bas à gauche : Erik Stafl – Stafl Systems ; en bas à droite : AK Srouji – Power Technology)