Une technologie de batterie plus intelligente permet de savoir si votre véhicule électrique va rentrer à la maison
Un modèle d'IA permet de déterminer si les batteries des voitures peuvent remplir leurs fonctions
Annonces
Les systèmes actuels de gestion de la batterie peuvent indiquer que la voiture est chargée à 40 %, mais les conducteurs doivent deviner s'ils peuvent parcourir 100 kilomètres dans les collines avec le chauffage en marche. Des ingénieurs de l'université de Californie, à Riverside, veulent mettre fin aux conjectures.
Ils ont mis au point une nouvelle mesure de diagnostic appelée "State of Mission" (SOM), conçue pour répondre à une question pratique : Cette batterie, dans son état actuel, peut-elle alimenter en toute sécurité et avec succès une tâche spécifique ? SOM utilise à la fois les données de la batterie et les facteurs environnementaux tels que la circulation, les changements d'altitude ou la température ambiante pour générer des prédictions en temps réel et spécifiques à une tâche.
"SOM comble cette lacune", explique Mihri Ozkan, professeur d'ingénierie à l'UCR, qui a participé au développement du système. "Il s'agit d'une mesure adaptée à la mission qui combine les données et la physique pour prédire si la batterie peut accomplir une tâche planifiée dans des conditions réelles.
Les détails du système ont été publiés dans la revue iScience. La particularité de SOM réside dans son approche hybride. Contrairement aux équations physiques rigides qui ne peuvent s'adapter à des scénarios changeants, ou aux modèles d'apprentissage automatique qui génèrent des résultats sans les expliquer, ils ont construit un système qui combine les forces des deux.
Le modèle apprend de la manière dont les batteries se chargent, se déchargent et se réchauffent au fil du temps, mais il respecte également les lois de l'électrochimie et de la thermodynamique. Cette double intelligence lui permet de faire des prédictions fiables même en cas de stress, comme une chute soudaine de la température ou une montée abrupte.
"En les combinant, nous obtenons le meilleur des deux mondes : un modèle qui apprend avec souplesse à partir des données, mais qui reste toujours ancré dans la réalité physique", explique Cengiz Ozkan, professeur d'ingénierie à l'UCR, qui a codirigé la recherche. "Cela rend les prédictions non seulement plus précises, mais aussi plus fiables".
Pour tester son cadre, l'équipe a utilisé des ensembles de données sur les batteries accessibles au public, provenant de la NASA et de l'Université d'Oxford. Ces données contiennent des schémas d'utilisation réels, notamment des cycles de charge et de décharge, des variations de température, des données de courant et de tension au fil du temps, ainsi que des tendances de performance à long terme.
Par rapport aux méthodes traditionnelles de diagnostic des batteries, le modèle a considérablement réduit les erreurs de prédiction de 0,018 volt pour la tension, de 1,37 degré Celsius pour la température et de 2,42 % pour l'état de charge.
Au lieu d'une simple estimation du "pourcentage de charge", SOM offre un résultat plus intelligent, tourné vers l'avenir. Il peut indiquer à un conducteur qu'il peut effectuer un trajet planifié, mais qu'il devra peut-être se recharger à mi-chemin, ou qu'un vol de drone n'est pas réalisable dans certaines conditions de vent.
"Il transforme des données abstraites sur les batteries en décisions exploitables, améliorant ainsi la sécurité, la fiabilité et la planification des véhicules, des drones et de toute application où l'énergie doit être adaptée à une tâche réelle", a déclaré Mihri Ozkan.
Le modèle est encore en cours de développement.
"Pour l'instant, la principale limite est la complexité de calcul", a-t-elle déclaré. "Le cadre exige une puissance de traitement supérieure à celle que les systèmes de gestion de batterie intégrés et légers d'aujourd'hui fournissent généralement.
Les chercheurs sont néanmoins optimistes. Grâce à une optimisation plus poussée, ils pensent que le modèle pourrait bientôt être utilisé dans les véhicules électriques, les systèmes aériens sans pilote, les applications de stockage en réseau, etc.
À l'avenir, l'équipe prévoit de tester le SOM dans des environnements de terrain et d'étendre ses capacités à d'autres types de batteries, telles que les batteries sodium-ion, les batteries à l'état solide ou les batteries à flux.
"Notre approche est conçue pour être généralisable", a déclaré Cengiz Ozkan. "La même méthodologie hybride peut fournir des prévisions adaptées aux missions qui améliorent la fiabilité, la sécurité et l'efficacité d'un large éventail de technologies énergétiques, des voitures aux drones en passant par les systèmes de batteries domestiques et même les missions spatiales."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Cengiz S. Ozkan, Mihrimah Ozkan; State of mission: Battery management with neural networks and electrochemical AI; iScience; 2025
Autres actualités du département science
