Description du sujet de thèse
Domaine
Défis technologiques
Sujets de thèse
Fusion de capteurs multi-physiques et Physics-Informed Deep Learning pour le monitoring prédictif de mécanismes de dégradations batterie Li-Ion et Na-Ion
Contrat
Thèse
Description de l'offre
Contexte :
Les batteries lithium-ion et sodium-ion de génération futures sont essentielles pour la transition énergétique et l'électrification des transports. Garantir en premier lieu la longévité, les performances mais aussi la sécurité des batteries nécessite une compréhension approfondie des mécanismes de dégradation à différentes échelles.
Objectif de Recherche :
Développer des méthodologies innovantes de diagnostic et de pronostic des mécanismes de dégradations batteries en exploitant la fusion de données multi-capteurs et des approches de type Physics-Informed Deep Learning (PIML), combinant des modèles théoriques physiques de batteries avec des algorithmes d'apprentissage profond.
Approche Scientifique :
Établir les corrélations entre les mesures multi-physiques (capteurs externes sur packaging de cellules, et capteurs internes à base de fibres optique) et les mécanismes de dégradation des batteries
Explorer des approches hybrides PIML pour la fusion de données multi-physiques
Développer des architectures d'apprentissage intégrant les contraintes physiques tout en traitant des données hétérogènes
Étendre les méthodologies aux technologies émergentes de batteries sodium-ion
Méthodologie :
La recherche utilisera une base de données de cellules multi-instrumentées (capteurs acoustiques, électriques, thermiques, mécaniques, optiques) , analysant les signatures et modalités de chaque de mesures et développant des algorithmes PIML innovants qui optimisent la fusion de données multi-capteurs.
Résultats Attendus :
La thèse vise à fournir des recommandations précieuses pour l'instrumentation des systèmes de batteries, à développer des algorithmes de diagnostic et pronostic de trajectoires de vieillissement avancés et à contribuer significativement à l'amélioration de la fiabilité et de la durabilité des systèmes de stockage électrochimique, avec des impacts potentiels académiques et industriels.
Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Master 2 en Maths,Modélisation, traitement du signal, Machine learning , IA
Demandeur
Disponibilité du poste
01/07/2026
Personne à contacter par le candidat
FASSI Youssof < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DES/DEHT//L2EP
Bat. 51D - P. D340
17, av des martyrs
38054 Grenoble Cedex
Tuteur / Responsable de thèse
LYONNARD Sandrine < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DRF/IRIG//SYMMES
Batiment C5 Bureau 549
17 avenue des Martyrs
38000 Grenoble
0438789286
En savoir plus
https://orcid.org/0000-0002-2517-3413
https://liten.cea.fr/cea-tech/liten/english/Pages/Strategic-research/Batteries.aspx
https://orcid.org/0000-0002-6899-1555
Domaine
Défis technologiques
Sujets de thèse
Fusion de capteurs multi-physiques et Physics-Informed Deep Learning pour le monitoring prédictif de mécanismes de dégradations batterie Li-Ion et Na-Ion
Contrat
Thèse
Description de l'offre
Contexte :
Les batteries lithium-ion et sodium-ion de génération futures sont essentielles pour la transition énergétique et l'électrification des transports. Garantir en premier lieu la longévité, les performances mais aussi la sécurité des batteries nécessite une compréhension approfondie des mécanismes de dégradation à différentes échelles.
Objectif de Recherche :
Développer des méthodologies innovantes de diagnostic et de pronostic des mécanismes de dégradations batteries en exploitant la fusion de données multi-capteurs et des approches de type Physics-Informed Deep Learning (PIML), combinant des modèles théoriques physiques de batteries avec des algorithmes d'apprentissage profond.
Approche Scientifique :
Établir les corrélations entre les mesures multi-physiques (capteurs externes sur packaging de cellules, et capteurs internes à base de fibres optique) et les mécanismes de dégradation des batteries
Explorer des approches hybrides PIML pour la fusion de données multi-physiques
Développer des architectures d'apprentissage intégrant les contraintes physiques tout en traitant des données hétérogènes
Étendre les méthodologies aux technologies émergentes de batteries sodium-ion
Méthodologie :
La recherche utilisera une base de données de cellules multi-instrumentées (capteurs acoustiques, électriques, thermiques, mécaniques, optiques) , analysant les signatures et modalités de chaque de mesures et développant des algorithmes PIML innovants qui optimisent la fusion de données multi-capteurs.
Résultats Attendus :
La thèse vise à fournir des recommandations précieuses pour l'instrumentation des systèmes de batteries, à développer des algorithmes de diagnostic et pronostic de trajectoires de vieillissement avancés et à contribuer significativement à l'amélioration de la fiabilité et de la durabilité des systèmes de stockage électrochimique, avec des impacts potentiels académiques et industriels.
Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
Master 2 en Maths,Modélisation, traitement du signal, Machine learning , IA
Demandeur
Disponibilité du poste
01/07/2026
Personne à contacter par le candidat
FASSI Youssof < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DES/DEHT//L2EP
Bat. 51D - P. D340
17, av des martyrs
38054 Grenoble Cedex
Tuteur / Responsable de thèse
LYONNARD Sandrine < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DRF/IRIG//SYMMES
Batiment C5 Bureau 549
17 avenue des Martyrs
38000 Grenoble
0438789286
En savoir plus
https://orcid.org/0000-0002-2517-3413
https://liten.cea.fr/cea-tech/liten/english/Pages/Strategic-research/Batteries.aspx
https://orcid.org/0000-0002-6899-1555
