Estimation de la température des cellules lithium-soufre par impédance à l'aide de réseaux de neurones artificiels. // Impedance Based Temperature Estimation of Lithium- Sulfur Cells Using Artificial Neural Networks.

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 Wh kg⁻¹, 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].
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Among various energy storage technologies, rechargeable batteries, particularly lithium-ion batteries (LiBs) are widely used as power sources due to their advantages as high operating voltage and current, high energy density, light weight, long cycle life, and environmental friendliness.[1] However, the maximum theoretical energy density of commercial LiBs remains insufficient to meet the demands of future energy-intensive technologies. Additionally, most research and development efforts have focused on room-temperature applications. The performance of LiBs is highly dependent on cell temperature, particularly in relation to battery aging and safety issues.[2] At low temperatures, reduced reaction kinetics increase the risk of lithium plating, leading to decreased lithium availability. Conversely, high temperatures can cause undesirable side reactions, resulting in rapid degradation. Furthermore, excessive temperatures may cause material decomposition, triggering thermal runaway, which can lead to an explosion.[2] To address these challenges, future battery technologies must maintain optimal performance across a wide temperature range to meet demands of extreme conditions.
Recently, considerable efforts have been devoted to developing extended range (low-, high-) temperature energy storage systems, with lithium-sulfur (Li-S) batteries emerging as one of the most promising candidates. Li-S batteries offer a theoretical specific energy of 2600 Wh kg-1, approximately five times higher than the current standard for LiBs. Furthermore, sulfur is abundant, affordable, and non-toxic. In addition, Li-S batteries exhibit high energy density under low-temperature conditions, making them particularly suitable for extreme environments.[3]
Impedance-based methods have gained significant interest due to their ability to estimate the average internal temperature of a battery without requiring additional internal or external hardware. As a result, these methods are often referred to as sensorless temperature measurement techniques.[4]
This thesis explores a sensorless temperature estimation method that combines data from electrochemical impedance spectroscopy (EIS) with artificial neural networks (ANNs).[4] Traditionally, a Battery Management System (BMS) relies on integrated sensors, such as thermistors or thermocouples, to monitor internal temperature and to prevent hazards like thermal runaway.[5] In sensorless methods, the impedance spectrum of a battery, obtained through EIS, contains subtle signatures that correlate with its internal temperature. By training an ANN to recognize these patterns, it becomes possible to predict the battery's internal temperature using measurable electrical signals (voltage, current, and time). When integrated into an advanced BMS, this approach enables real-time thermal monitoring and management, enhancing safety and mitigating risks such as overheating, fires, or explosions. A key advantage of the EIS-ANN method is its rapid temperature estimation, which is completed within milliseconds, eliminating the need for computationally intensive partial differential equation solving.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Contrat doctoral Hi!Paris*Allocation doctorale AMX*Appel anticipé*Concours IPP ou école membre*Concours pour un contrat doctoral*Contrat Doctoral E4C*

École polytechnique

626 Ecole Doctorale de l'Institut Polytechnique de Paris

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.
The candidate should hold a Master 2 Research degree in applied physics, materials science or computer science and have strong experience in AI and machine learning. Proficiency in python, MALAB or similar programming languages for AI model development and data processing is required. knowledge of electrochemical impedance spectroscopy is essential and familiarity with batteries would be an advantage. Excellent written and verbal communication skills (English mandatory) and independent in writing reports. Strong team player. The candidate will have to provide all the diplomas already obtained, as well as a transcript of the marks already acquired for the two years of Master.