L’intelligence artificielle pour la modélisation multi-échelle des batteries

Le projet BATMAN a pour objectif de franchir plusieurs étapes importantes dans la compréhension et l’optimisation des électrodes pour batteries de nouvelle génération, en combinant modélisation avancée et approches innovantes en machine-learning. Ces travaux contribuent à accélérer le développement de systèmes de stockage d’énergie plus performants, plus durables et adaptés aux besoins croissants en électrification.

Un premier axe de recherche s’est concentré sur l’impact des propriétés mécaniques des électrodes des batteries de puissance sur leurs performances électrochimiques. Les résultats obtenus mettent en évidence le rôle déterminant de la flexibilité mécanique, qui favorise des vitesses de charge nettement améliorées. Les électrodes flexibles étudiées présentent ainsi des cinétiques de charge jusqu’à deux fois supérieures à celles observées pour des électrodes rigides, ouvrant de nouvelles perspectives pour la conception de batteries à recharge rapide et à haute puissance.¹

Le projet a également apporté des avancées significatives dans la compréhension de l’interphase solide-électrolyte (SEI), une couche interfaciale essentielle à la stabilité et à la longévité des batteries. Un modèle basé sur le machine-learning a été développé afin de simuler la formation de cette interphase à l’interface entre un électrolyte solide (Li₆PS₅Cl) et une électrode de lithium métallique. Les simulations ont permis de mettre en évidence un mécanisme de formation en deux étapes, combinant une réaction chimique rapide générant une phase amorphe et une cristallisation progressive vers une solution solide structurée (Figure). En complément, des outils d’analyse issus de l’apprentissage automatique ont permis de suivre en temps réel l’évolution des produits de dégradation, apportant ainsi une compréhension plus fine des phénomènes interfaciaux mis en jeu.²

Par ailleurs, des modèles numériques innovants ont été développés pour mieux représenter les procédés industriels de fabrication des électrodes. Un premier modèle de deep-learning permet de prédire la microstructure après calandrage en intégrant des paramètres clés tels que la porosité, la tortuosité et le gonflement mécanique, tout en réduisant fortement les coûts de calcul. Un second modèle hybride, combinant simulations physiques et apprentissage statistique, a été conçu pour simuler les étapes de séchage des électrodes avec une efficacité et une robustesse accrue, y compris lors de modifications de formulation.³

Enfin, afin de répondre aux défis posés par le développement de nouvelles générations de batteries, et notamment la quantité limitée de données accessibles, des approches de transfer-learning ont été mises en œuvre avec succès. Ceci consiste en une première preuve de concept de la possibilité d’adapter rapidement des modèles existants à de nouveaux matériaux d’électrodes, contribuant ainsi à accélérer l’innovation et à permettre un transfert vers l’industrie accéléré.⁴