Deep Learning, Transfer Learning et réalité virtuelle : des leviers numériques pour l’innovation batterie

Le projet BATMAN inclut dans ses activités des actions de recherche visant à développer et étudier des nouvelles méthodes numériques pour la simulation et l’optimisation des procédés de fabrication de batteries rechargeables.

Ces actions sont réalisées sous la responsabilité du Professeur Alejandro A. Franco et de son équipe au sein du LRCS à l’Université de Picardie Jules Verne (Amiens).

L’amélioration des performances des cellules électrochimiques pour le stockage et la conversion d’énergie peut être obtenue en optimisant leurs processus de fabrication. Ceci peut s’avérer long et coûteux avec les approches traditionnelles par essais et erreurs. Les modèles d’apprentissage automatique (ou Machine Learning en anglais -ML-) peuvent aider à surmonter ces obstacles. Dans les laboratoires de recherche académique, la taille des ensembles de données de fabrication peut être réduite, alors que les modèles de ML nécessitent généralement de grandes quantités de données. Dans un travail récent¹ , l’équipe du Professeur Franco a proposé une application simple mais néanmoins novatrice d’une approche d’apprentissage par transfert (ou Transfer Learning en anglais -TL-) pour résoudre ces problèmes de fabrication avec une petite quantité de données. L’équipe a testé cette approche avec des ensembles de données expérimentales préexistantes et générées stochastiquement. Ces ensembles de données comprenaient des propriétés de composants (par exemple, la densité d’électrode) liées à différents paramètres de fabrication (par exemple, la teneur en solide, l’écart de la virgule, la vitesse d’enduction). L’équipe a démontré la robustesse de notre approche de TL pour les problèmes de fabrication en obtenant d’excellentes performances de prédiction pour les électrodes dans les batteries lithium-ion et les couches de diffusion de gaz dans les piles à combustible.

Le processus de fabrication des électrodes de batteries lithium-ion affecte directement les propriétés pratiques des cellules, telles que leurs performances, leur durabilité et leur sécurité. Bien que la modélisation computationnelle basée sur la physique se soit avérée une méthode très utile pour obtenir des informations sur les interdépendances des propriétés de fabrication ainsi que sur la formation des microstructures d’électrodes, ses coûts de calcul élevés empêchent son utilisation directe dans les boucles d’optimisation des électrodes. L’équipe du Professeur Franco a proposé un nouveau modèle d’apprentissage profond (Deep Learning en anglais -DL-) dépendant du temps du processus de fabrication des électrodes de batterie est présenté, démontré pour le calandrage d’électrodes de nickel-manganèse-cobalt (NMC111), et entraîné avec des données de séries temporelles issues de simulations par la méthode des éléments discrets (Discrete Element Method en anglais -DEM-) basées sur la physique² . Les prédictions du modèle DL sont validées en comparant les métriques d’évaluation (par exemple, l’erreur quadratique moyenne et le coefficient R²) et les métriques fonctionnelles des électrodes (surface de contact, porosité, diffusivité et facteur de tortuosité), montrant une très bonne précision par rapport aux simulations DEM. Le modèle DL peut remarquablement capturer la récupération élastique de l’électrode lors de la compression (phénomène de ressort) et les principales caractéristiques de la microstructure 3D de l’électrode sans utiliser les descripteurs fonctionnels pour son entraînement. De plus, le modèle DL a un coût de calcul significativement inférieur à celui des simulations DEM, ouvrant la voie à des boucles d’optimisation quasi-temps réel de l’architecture 3D des électrodes, prédisant les conditions de calandrage à adopter afin d’obtenir les performances d’électrode souhaitées.

Dans une étude récente³, l’équipe du Professeur Franco a présenté un modèle hybride d’apprentissage automatique assisté par la physique (ou Physics Assisted ML en anglais -PAML-) qui intègre des techniques d’apprentissage profond (ou Deep Learning en anglais -DL-) avec la méthode des éléments discrets (ou Discrete Element Method -DEM- en anglais) pour simuler le séchage de suspension lors de la fabrication d’électrodes de batteries lithium-ion. Ce modèle prédit l’évolution de la microstructure conduisant à la formation de l’électrode sous forme de série temporelle tout au long du processus de séchage. L’approche hybride consiste à effectuer un certain nombre d’étapes de simulation DEM après chaque prédiction du modèle DL, réduisant ainsi le risque de prédictions non physiques. Le modèle PAML a été rigoureusement testé en évaluant différentes métriques fonctionnelles des électrodes prédites et a démontré une capacité de généralisation exceptionnelle à différentes formulations. De plus, l’intégration du DL a considérablement réduit le temps de calcul par rapport au modèle DEM original. Ces résultats soulignent le potentiel de la combinaison des méthodes d’apprentissage automatique avec les méthodes de simulation traditionnelles pour améliorer l’efficacité et la précision dans le domaine de la fabrication d’électrodes.

Par ailleurs, les pratiques de laboratoire sont essentielles pour préparer les étudiants et les professionnels à mener les innovations futures dans le domaine du stockage et de la conversion d’énergie. Cependant, les universités et les industries travaillant dans le domaine des batteries rencontrent des difficultés concernant une formation efficace sur les complexités de la production de batteries, principalement en raison du manque d’accès aux installations de prototypage de batteries ou de leur disponibilité limitée à des fins de formation. L’équipe du Professeur Franco a introduit une plateforme éducative innovante en réalité virtuelle (Virtual Reality en anglais -VR-) nommée métavers de la fabrication de batteries (Battery Manufacturing Metaverse en anglais -BMM-)⁴ . BMM favorise l’accessibilité et l’apprentissage collaboratif de la fabrication de batteries lithium-ion (lithium ion batteries en anglais -LIB-) grâce à une représentation interactive et flexible en VR d’une ligne pilote de fabrication de LIB. Elle permet la collaboration entre des personnes de différentes localisations géographiques. Les utilisateurs peuvent explorer les chimies des électrodes et des cellules, et ajuster les paramètres de fabrication avec un retour d’information instructif allant de la composition d’une cellule au fonctionnement de l’équipement de fabrication. BMM le fait avec une collaboration en temps réel en utilisant des avatars et un chat vocal. Cette plateforme vise à connecter les étudiants du programme de Master Erasmus+ Interdisciplinarité dans les Matériaux pour le Stockage et la Conversion d’Énergie, permettant un partage de connaissances et une formation fluides. BMM représente une étape transformative dans la recherche et l’éducation sur les batteries, offrant un environnement immersif et interactif sans barrières géographiques pour ouvrir la voie à une éducation globale et à une formation sûre dans le secteur de l’énergie.