Un système basé sur l’apprentissage profond ouvre la voie à une évaluation efficace de l’état de la batterie

Alors que le marché des véhicules électriques continue de croître, l’évaluation des batteries usagées devient de plus en plus cruciale. Une équipe de chercheurs, dirigée par le professeur Donghyuk Kim et le professeur Yunseok Choi de l’École de génie énergétique et chimique de l’UNIST, ainsi que le professeur Hankwon Lim de la Graduate School of Carbon Neutrality de l’UNIST, a développé DeepSUGAR pour relever ce défi.

Ce cadre avancé basé sur l’apprentissage profond offre une nouvelle approche pour estimer l’état de santé (SoH) des batteries épuisées, améliorant ainsi l’efficacité et réduisant la consommation d’énergie.

Les résultats de l’étude ont été publiés dans la version en ligne de Journal de chimie des matériaux A.

Les technologies actuelles d’évaluation des batteries usagées impliquent une estimation séparée du SoH du bloc-batterie et de ses modules individuels, ce qui entraîne un manque d’efficacité en termes de temps et une consommation d’énergie excessive. DeepSUGAR relève ces défis en utilisant un algorithme génératif basé sur des techniques de représentation graphique, permettant d’estimer l’état de santé d’un module individuel en fonction du SoH de la batterie.

L’équipe de recherche a analysé les profils de cyclisme d’un pack 14S7P et de ses modules constitutifs, entraînant un réseau neuronal convolutif (CNN) pour estimer SoH en spatialisant les courbes de cyclisme. DeepSUGAR, formé sur les données du pack, a présenté des performances exceptionnelles avec une erreur quadratique moyenne (RMSE) de 5,31 × 10^-3. Les tests de validation avec les données du module ont abouti à un RMSE de 7,38 × 10⁻³, confirmant en outre son applicabilité. De plus, les profils de cycle de module générés par le pack SoH à l’aide du modèle génératif profond ont démontré des performances remarquables avec un RMSE de 8,38 × 10.⁻³.

DeepSUGAR offre plusieurs avantages clés, notamment une consommation d’énergie réduite, des coûts de traitement et des émissions de dioxyde de carbone, en intégrant un diagnostic au niveau du module dans le processus d’évaluation au niveau du pack. Cette technologie révolutionnaire a le potentiel d’avoir un impact significatif sur la gestion de l’état des batteries, car elle peut diagnostiquer l’état de santé des batteries épuisées sans être limitée par le type d’appareil.

« Nous avons mis en place un système de vérification qui permet de déterminer si une batterie usagée est recyclable sans démonter la batterie », a expliqué le professeur Donghyuk Kim. « Les images DeepSUGAR chargent et déchargent les données, permettant de déterminer l’état de santé de la batterie. »

Les capacités de DeepSUGAR s’étendent au-delà du recyclage des batteries. En prédisant l’état de santé des modules internes grâce au diagnostic du pack, cette technologie a le potentiel d’optimiser les performances de la batterie dans diverses applications, contribuant ainsi à la réalisation d’énergie verte à l’avenir.