Approches basées sur les données informées par la physique pour l'analyse non linéaire au niveau système de l'état de santé des batteries // PHYSICS-INFORMED DATA-DRIVEN APPROACHES TO NON-LINEAR SYSTEM-LEVEL ANALYSIS OF BATTERY STATE OF HEALTH

La prédiction de la durée de vie de la batterie haute tension est un sujet majeur dans l'industrie automobile. Il est donc important d'avoir un modèle de prévision robuste et fiable de l'état de santé (i.e. la durée de vie) de cette batterie. Les modèles de prédiction de l'état de santé de la batterie reposent généralement sur l'évolution de la quantité totale d'électricité générée, par rapport au temps de fonctionnement. Ces modèles sont principalement basés sur la physique, avec la 'randomisation' de certains paramètres pour tenir compte de la variabilité observée dans les tests de laboratoire. L'objectif de ce projet de doctorat est de proposer une évolution des modèles 'historiques' reposant essentiellement sur la physique à des modèles exploitant conjointement les données et les connaissances physiques (i.e physics-informed data-driven approches). Une première étape de ces travaux consistera donc à comparer les outils et algorithmes existants pour évaluer les distributions des paramètres des modèles obtenues via des approches d'inférence bayésienne. Une deuxième étape consistera à faire évoluer les modèles en exploitant conjointement les connaissances physiques et les méthodes reposant essentiellement sur l'exploitation des données. Une troisième étape, s'appuyant par exemple sur la théorie des valeurs extrêmes, portera sur l'exploitation des modèles obtenus pour évaluer la durabilité de la batterie et quantifier les risques associés aux incertitudes. Une deuxième partie de ce projet de doctorat peut être dédiée à une amélioration, reposant par exemple sur les approches d'active et de transfert learning, des plans de validation et/ou des plans d'expériences pour réduire le nombre d'essais qui sont couteux (en temps et en argent). Enfin une troisième partie de ce projet peut exploiter les données des véhicules connectés pour valider la performance effective des modèles développés.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

High voltage battery lifetime prediction is a major issue in automative industry. It is then of the most importance to have a robust and reliable prediction models of the State Of Health (SOH, i.e. the lifetime) of high voltage battery.

Battery State Of Health prediction models commonly rely on the evolution of the total amount of electricity generated due to electrochemical reactions in the battery against time in operation. Such models are mainly physics-based, with randomization of some of the parameters to account for the variability observed in lab tests. The scientific innovation of this project is to propose a switch from physics-based approaches to physics-informed data-driven approaches. The expected contributions are three folds:
- First, developing a joint modeling framework that - is useable for - and - takes benefit from - physicians and data-scientists,
- Second, providing a better understanding of predictions variability,
- Third, assessing the effects of prediction uncertainties on the downstream decisions making for battery design and operations management.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Autre type de financement - Autre type de financement,

CentraleSupélec

573 Interfaces : matériaux, systèmes, usages

De bonnes capacités d'écoute et de synthèse sont attendues: le vieillissement de la batterie à haute tension est un système complexe avec de nombreux facteurs, il sera important d'interagir efficacement avec les experts internes. Autonomie, réactivé et rigueur seront nécessairement appréciées. Le candidat doit posséder un diplôme d'ingénieur ou un master avec des connaissances en mathématiques appliquées et en informatique (Python, Matlab, ML, DevOps, ...). De plus des connaissances en statistiques, probabilités, machine learning, sureté, fiabilité et risques sont nécessaires.
Strong listening and synthesis skills are expected: high-voltage battery aging is a complex system with many influencing factors, and it will be important to interact effectively with internal experts. Autonomy, responsiveness, and rigor will be highly valued. The candidate must hold an engineering degree or a master's degree with knowledge in applied mathematics and computer science (Python, Matlab, machine learning, DevOps, etc.). In addition, knowledge in statistics, probability, machine learning, safety, reliability, and risk assessment is required.