⚡ electrical engineering

Impact of Physics-Informed Features on Neural Network Complexity for Li-ion Battery Voltage Prediction in Electric Vertical Takeoff and Landing Aircrafts

Cette étude démontre que l'intégration de caractéristiques physiques dans les modèles de réseaux de neurones permet de prédire la tension des batteries pour eVTOL avec une précision comparable aux modèles purement axés sur les données, tout en réduisant la complexité architecturale jusqu'à 75 %.

Auteurs originaux : Eymen Ipek, Mario Hirz

Publié 2026-02-10

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Eymen Ipek, Mario Hirz

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : Le "Cerveau" de l'avion électrique est trop lourd

Imaginez que vous pilotez un futur taxi volant (un eVTOL). Pour que ce soit sûr, l'avion doit savoir exactement combien d'énergie il lui reste dans ses batteries, un peu comme la jauge d'essence de votre voiture, mais en beaucoup plus précis et rapide, car les moteurs demandent des efforts énormes au décollage et à l'atterrissage.

Pour prédire cette tension (le "pouls" de la batterie), les ingénieurs ont deux solutions, mais elles ont toutes les deux un défaut :

L'approche "Pur Instinct" (Le modèle Data-Driven) : C'est comme un enfant qui apprend à conduire uniquement en regardant des milliers d'heures de vidéos. Il finit par devenir très bon, mais il a besoin d'un cerveau énorme (un ordinateur surpuissant) pour traiter toutes ces images, et s'il se retrouve face à une situation qu'il n'a jamais vue, il panique totalement.
L'approche "Livre de Physique" (Le modèle ECM) : C'est comme un mathématicien qui connaît toutes les formules de la physique. Il est très logique, mais il est trop rigide. Dès que la batterie chauffe ou qu'on lui demande un effort brusque, ses formules deviennent trop compliquées ou fausses, car la réalité est plus "sale" que les mathématiques parfaites.

La Solution : Le "Génie Hybride" (Le PINN)

Les chercheurs de cet article ont trouvé une troisième voie : le modèle hybride (Physics-Informed).

Imaginez maintenant un apprenti pilote.

On ne lui demande pas d'apprendre la physique de zéro (ce serait trop long).
On lui donne déjà un manuel de base qui explique les règles fondamentales (la physique).
On lui dit : "Voici les règles de base. Ton seul travail, c'est d'utiliser ton intelligence pour corriger les petites erreurs du manuel quand la situation devient complexe."

C'est ce qu'ils ont fait avec le PINN (Physics-Informed Neural Network). Ils ont pris un modèle mathématique classique (le modèle 2RC) pour faire le "gros du travail" et ont ajouté une petite couche d'intelligence artificielle pour gérer les imprévus.

Le Résultat : Plus petit, plus malin, plus rapide

Les résultats sont impressionnants. C'est un peu comme si on avait réussi à remplacer un énorme ordinateur de bureau encombrant par une petite montre connectée, tout en gardant la même précision.

Moins de "poids" : Le modèle hybride utilise 75 % de paramètres en moins. C'est comme si, pour faire le même travail, on passait d'une encyclopédie de 10 volumes à un simple carnet de notes.
Plus de précision : Malgré sa petite taille, il est bien plus précis que le gros modèle "instinctif". Il réduit les erreurs de moitié !
Idéal pour le vol : Comme il est très léger, on peut l'installer directement dans les petits ordinateurs de bord de l'avion (ce qu'on appelle l'Edge AI), sans avoir besoin d'un supercalculateur à bord.

En résumé

Au lieu de demander à une intelligence artificielle d'apprendre le monde à partir de rien, les chercheurs lui ont donné "un coup de pouce de la physique". Résultat : on obtient un cerveau électronique minuscule, ultra-rapide et extrêmement fiable, parfait pour piloter les taxis volants de demain en toute sécurité.

Résumé Technique : Impact des caractéristiques physiques sur la complexité des réseaux de neurones pour la prédiction de la tension des batteries Li-ion dans les eVTOL

Problématique

L'électrification des aéronefs à décollage et atterrissage verticaux (eVTOL) impose des contraintes extrêmes sur les systèmes de gestion de batterie (BMS). Les profils de mission de ces appareils sont caractérisés par des impulsions de puissance très élevées (décollage et atterrissage), provoquant des chutes de tension rapides et des contraintes thermiques importantes.

Le défi réside dans le compromis entre deux approches de modélisation :

Les modèles basés sur la physique (ex: P2D ou ECM) : Ils sont interprétables mais soit trop coûteux en calcul pour le temps réel, soit incapables de capturer les non-linéarités liées aux taux de décharge (C-rate) élevés.
Les modèles de données (Deep Learning) : Ils sont très précis mais fonctionnent comme des "boîtes noires", nécessitent une puissance de calcul importante (mémoire et inférence) et peinent à extrapoler en dehors de leur domaine d'entraînement, ce qui est risqué pour la sécurité aérienne.

Méthodologie

L'étude propose une approche de Machine Learning Informé par la Physique (PIML). L'objectif est de tester si l'injection de connaissances physiques permet de simplifier l'architecture des réseaux de neurones sans perdre en précision.

Les auteurs comparent deux approches sur un jeu de données de batteries Li-ion spécifique aux eVTOL :

FNN (Feedforward Neural Network) : Un modèle purement piloté par les données où la tension prédite est une fonction directe des entrées brutes ( $I, SOC, T, N, \Delta t$ ).
PINN (Physics-Informed Neural Network) : Un modèle hybride résiduel. Ici, un modèle de circuit équivalent de second ordre (2RC) calcule d'abord une estimation physique de la tension ( $V_{phy}$ ). Le réseau de neurones n'a alors pour tâche que d'apprendre le résidu (l'erreur de correction $\Delta V_\theta$ ) pour combler l'écart entre la physique et la réalité.

Le modèle est entraîné sur quatre cellules avec des conditions variées (température, temps de croisière, puissance) et testé sur une cinquième cellule totalement inédite pour évaluer la capacité de généralisation.

Contributions Clés

Hybridation Modèle Physique/IA : Utilisation d'un modèle 2RC comme "prior" pour guider l'apprentissage, réduisant ainsi l'espace de recherche du réseau de neurones.
Compression de Modèle : Démonstration que l'intégration de la physique permet de réduire drastiquement le nombre de paramètres entraînables.
Optimisation pour l'Edge AI : Proposition d'une architecture légère adaptée aux processeurs embarqués des BMS, où les ressources de calcul sont limitées.

Résultats

Les résultats montrent une supériorité nette de l'approche PINN par rapport aux FNN, même avec des architectures beaucoup plus simples :

Précision : Le meilleur modèle PINN (2 couches, 64 neurones) atteint une erreur RMSE de 20,1 mV et un score $R^2$ de 99,2 %. À titre de comparaison, le FNN le plus complexe (4 couches, 128 neurones) n'atteint qu'une RMSE de 39,2 mV.
Réduction de l'erreur : Les modèles informés par la physique réduisent l'erreur RMSE et les erreurs transitoires de pointe d'environ 50 %.
Efficacité computationnelle : Les modèles PINN utilisent jusqu'à 75 % de paramètres en moins que les modèles purement basés sur les données pour obtenir de meilleurs résultats.

Signification et Conclusion

Cette recherche démontre que l'injection de lois physiques dans les réseaux de neurones transforme la tâche de l'IA : au lieu de réapprendre des phénomènes électrochimiques bien connus, le réseau se concentre sur les nuances non modélisées.

Pour l'industrie de l'aviation électrique, cela signifie la possibilité de déployer des systèmes de gestion de batterie plus précis, plus robustes et beaucoup moins gourmands en énergie et en calcul, garantissant une meilleure estimation de l'état de charge (SOC) et de puissance (SOP) lors des phases critiques de vol.