Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical-Thermal-Degradation Model

Cette étude présente un cadre de paramétrisation cohérent pour un modèle électrochimique-thermique de dégradation, permettant de prédire avec précision l'évolution de la santé et la durée de vie des batteries lithium-ion NMC sous diverses conditions de température, de courant et d'état de charge, tout en révélant les mécanismes compétitifs entre le vieillissement calendaire et cyclique.

L'essentiel

🍌 Les Bananes, les Singes et la Batterie de votre Voiture

Imaginez un groupe de singes affamés devant un tas de bananes.

• Les bananes, c'est l'énergie de votre batterie (sa capacité).
• Les singes, ce sont les différents "mécanismes de vieillissement" qui mangent cette énergie jour après jour.

La question que se pose l'auteur de cette étude est simple : Combien de bananes resteront dans un an ? Qui en a mangé le plus ? Et combien de temps la batterie va-t-elle tenir avant de ne plus pouvoir nourrir les singes ?

Pour répondre à cela, l'auteur (Ganesh Madabattula) a créé un simulateur numérique ultra-puissant. Au lieu de construire des centaines de batteries réelles et de les laisser vieillir pendant dix ans (ce qui prendrait trop de temps et coûterait une fortune), il a créé un "jumeau numérique" d'une batterie de voiture électrique (une batterie LG M50) pour voir comment elle réagit à différentes conditions.

🌡️ Les 4 "Météos" qui influencent le vieillissement

Le papier explique que la façon dont une batterie vieillit dépend de quatre facteurs principaux, comme si on changeait la météo et le comportement des singes :

1. La Température (Le climat) : Est-il très chaud (40°C), doux (25°C) ou très froid (10°C) ?
2. Le Repos (L'état de charge) : La batterie est-elle laissée au repos pleine à 100% (comme un ventre plein), à moitié pleine (60%) ou presque vide (10%) ?
3. L'Intensité du travail (Le C-rate) : La batterie est-elle sollicitée doucement (comme une promenade) ou poussée à fond (comme un sprint) ?
4. La Profondeur de l'effort (DoD) : Vide-t-on la batterie complètement ou seulement un peu à chaque fois ?

🔍 Les 3 "Singes" qui mangent la batterie

Dans son modèle, l'auteur a identifié trois types de "singes" (mécanismes de dégradation) qui volent l'énergie, et leur comportement change selon la météo :

1. Le Singe "Mousse" (SEI) : C'est une couche qui se forme à l'intérieur de la batterie.
   • Quand il est actif : Par chaleur (40°C). C'est comme si la chaleur faisait pousser de la mousse qui bouche les tuyaux. Plus il fait chaud, plus il mange de bananes.
2. Le Singe "Glace" (Plaquage de Lithium) : C'est quand le lithium se dépose comme du givre sur les électrodes au lieu de circuler.
   • Quand il est actif : Par froid (10°C) et quand on force la batterie (charge rapide). C'est comme essayer de courir vite sur une route verglacée : on glisse et on perd de l'énergie.
3. Le Singe "Cassé" (Perte de Matériau Actif) : Les particules à l'intérieur de la batterie se fissurent à force de gonfler et de se dégonfler.
   • Quand il est actif : Surtout par froid et quand on vide la batterie profondément. C'est comme plier un trombone trop de fois : il finit par casser.

🎭 Le grand jeu : Vieillissement "Calendrier" vs "Cycle"

L'étude compare deux façons de vieillir :

• Le vieillissement "Calendrier" : La batterie dort dans un tiroir (elle ne bouge pas, mais le temps passe).
• Le vieillissement "Cycle" : La batterie travaille (elle charge et décharge).

La découverte la plus surprenante ?
Parfois, dormir est plus dangereux que travailler !

• Si vous laissez votre batterie au repos à 40°C et 100% chargée, elle vieillit très vite (le Singe "Mousse" est très actif).
• Si vous la laissez au repos à 10°C et 10% chargée, elle vieillit très lentement.
• Parfois, faire rouler la voiture (cycles) à 10°C est pire que de la laisser dormir, car le froid crée des fissures (Singe "Cassé").

📊 Les Résultats : Une vie de 1 à 14 ans

En testant 81 combinaisons différentes (chaud/froid, repos/travail, plein/vide), l'auteur a prédit que la durée de vie de cette batterie peut varier énormément :

• Dans les pires conditions (chaud, charge rapide, pleine tout le temps) : La batterie peut mourir en moins d'un an (elle perd 25% de sa capacité).
• Dans les meilleures conditions (froid modéré, charge lente, pas trop pleine) : Elle peut durer 14 ans !

De plus, la batterie ne meurt pas toujours de la même façon :

• Parfois, elle perd de l'énergie doucement et régulièrement (linéaire).
• Parfois, elle va bien pendant des années, puis s'effondre soudainement (comme un "accident de genou" ou knee-type).

💡 Pourquoi c'est important pour vous ?

Ce papier nous dit qu'on ne peut pas dire "toutes les batteries durent 10 ans". Tout dépend de comment on les utilise.

• Si vous gardez votre voiture électrique au soleil en été avec la batterie pleine, elle vieillira plus vite.
• Si vous la gardez dans un garage frais avec un peu de charge, elle vivra plus longtemps.

L'auteur a rendu toutes ses données publiques. C'est comme s'il avait donné la recette exacte de la "météo intérieure" de la batterie. Cela aidera les ingénieurs à créer de meilleurs logiciels pour les voitures (BMS) afin de protéger la batterie et de vous dire exactement combien de temps elle vous restera.

En résumé : Cette étude est une carte au trésor qui nous dit comment éviter les pièges (les singes affamés) pour que la batterie de votre voiture vive le plus longtemps possible, peu importe le temps qu'il fait dehors.

Résumé technique

1. Problématique

La prédiction précise de la durée de vie utile (RUL) et de l'état de santé (SoH) des batteries lithium-ion (LIB) est un défi majeur. La dégradation de ces batteries résulte de mécanismes complexes et couplés (comme la croissance de la couche SEI, le dépôt de lithium et la perte de matériau actif) dont les interactions dépendent fortement des conditions d'utilisation : taux de charge/décharge (C-rate), état de charge au repos (SoC), profondeur de décharge (DoD) et température.

Les modèles existants peinent souvent à capturer ces interactions couplées de manière cohérente sur une large gamme de conditions opérationnelles. De plus, les études expérimentales exhaustives couvrant toutes les combinaisons possibles de paramètres sont impraticables en raison du coût et du temps requis. Il existe donc un besoin critique de modèles physiques capables de prédire la dégradation de manière fiable sous diverses conditions, en reliant les mécanismes de dégradation internes aux trajectoires de perte de capacité.

2. Méthodologie

L'auteur a développé un cadre de modélisation basé sur la physique pour simuler le vieillissement combiné (calendaire et cyclique) d'une cellule lithium-ion de type NMC811 (modèle LG M50).

• Modèle Physique : Utilisation du modèle électrochimique Doyle-Fuller-Newman (DFN) couplé à un modèle thermique lumped (ponctuel) et à des équations de dégradation. Le code est implémenté via la bibliothèque open-source PyBaMM.
• Mécanismes de Dégradation Inclus :
  1. Croissance de la SEI (Solid-Electrolyte Interphase) : Limitée par la réaction et la diffusion, responsable de la perte d'ions lithium (LLI).
  2. Dépôt de Lithium (Lithium Plating) : Modélisé comme un processus irréversible, dominant à basse température et haut C-rate.
  3. Perte de Matériau Actif (LAM) : Causée par les contraintes mécaniques (stress) dues aux gradients de concentration dans les particules d'électrodes (positives et négatives).
• Stratégie de Paramétrisation : Une approche cohérente a été adoptée pour ajuster les paramètres du modèle. Les paramètres ont été calibrés pour correspondre aux données d'analyse des modes de dégradation (DMA) expérimentales rapportées dans la littérature (Kirkaldy et al.) pour la cellule LG M50. L'objectif était de reproduire les régimes de dégradation dominants selon la température :
  • Haute température (40°C) : Dominance de la croissance de la SEI.
  • Température ambiante (25°C) : Contribution mixte de la SEI et de la LAM.
  • Basse température (10°C) : Dominance du dépôt de lithium et de la LAM (due aux contraintes accrues).
• Scénarios de Simulation :
  • Vieillissement calendaire : 9 combinaisons de température (10, 25, 40°C) et de SoC de repos (30, 60, 100%).
  • Vieillissement combiné (Cyclique + Calendaire) : 81 combinaisons couvrant les variations de température, C-rate (0.1, 0.3, 1.0 C), SoC de repos (10, 60, 100%) et DoD (50, 70, 90%). Le cycle simulé correspond à un usage type de deux-roues électriques (1 cycle par jour avec repos prolongé).

3. Contributions Clés

• Paramétrisation Cohérente : Développement d'une stratégie de paramétrisation unique permettant de prédire la dégradation sur une large gamme de conditions sans réajustement des paramètres pour chaque scénario, en s'appuyant sur l'analyse des modes de dégradation.
• Modèle Couplé Complexe : Intégration réussie des mécanismes électrochimiques, thermiques et de dégradation (SEI, Plating, LAM) dans un modèle DFN, permettant de simuler les effets compétitifs entre le vieillissement calendaire et cyclique.
• Base de Données Simulée : Génération d'un jeu de données complet pour 93 cas de simulation (81 combinés + 9 calendaire + 3 de référence) incluant le SoH, la RUL et la contribution de chaque mode de dégradation interne. Ces données sont rendues publiques pour entraîner des modèles de données physiquement informés.
• Analyse des Effets Compétitifs : Démonstration que la durée de vie ne suit pas une tendance linéaire simple et que les mécanismes dominants changent radicalement selon les conditions (ex. : inversion de la tendance DoD selon la température).

4. Résultats Principaux

• Trajectoires de Dégradation : Le modèle prédit trois types de comportements de perte de capacité selon les conditions d'utilisation :
  • Sous-linéaire : Dégradation lente et régulière (conditions douces).
  • Linéaire : Dégradation constante.
  • Super-linéaire (Accélérée/Knee) : Perte de capacité soudaine et rapide (conditions agressives).
• Durée de Vie (RUL) : La durée de vie estimée pour atteindre 75% de SoH varie considérablement, allant de 0,8 à 14 ans selon les combinaisons de paramètres.
• Influence de la Température et du SoC :
  • Le vieillissement calendaire est plus rapide à haute température et à haut SoC de repos (dominé par la SEI).
  • À basse température (10°C), le vieillissement est dominé par le dépôt de lithium et les contraintes mécaniques (LAM), rendant les cycles profonds (90% DoD) plus destructeurs que les cycles peu profonds (50% DoD).
• Effets Compétitifs (Calendaire vs Cyclique) :
  • À 25°C et 40°C, le vieillissement calendaire pendant les périodes de repos peut dominer le vieillissement cyclique. Par exemple, un cycle peu profond (50% DoD) avec un long temps de repos à 100% SoC peut entraîner une dégradation plus rapide qu'un cycle profond (90% DoD) car le temps de repos plus long favorise la croissance de la SEI.
  • À 10°C, l'effet calendaire est minimisé et le vieillissement cyclique (LAM) domine, rendant les cycles profonds plus néfastes.
• Non-Universalité : Deux cellules ayant le même SoH après une période donnée peuvent avoir des durées de vie résiduelles (RUL) très différentes selon leur historique d'utilisation, soulignant l'impossibilité de généraliser les prédictions de RUL basées sur un seul point de données.

5. Signification et Impact

Ce travail comble un vide important entre la modélisation théorique et les données expérimentales limitées. En fournissant un modèle physiquement fondé et correctement paramétré, il offre :

• Une meilleure compréhension des mécanismes internes compétitifs qui régissent la durée de vie des batteries.
• Des outils pour optimiser la conception des systèmes de gestion de batterie (BMS) et les stratégies de gestion thermique.
• Une base de données simulée robuste pour le développement de modèles hybrides (physique + données) capables de prédire l'état de santé en temps réel avec une grande précision.
• La validation que les modèles basés sur la physique sont supérieurs aux modèles empiriques pour extrapoler le comportement des batteries dans des conditions non testées expérimentalement.

En conclusion, l'article démontre qu'une paramétrisation cohérente basée sur l'analyse des modes de dégradation permet de prédire avec fiabilité la durée de vie des batteries lithium-ion dans des scénarios d'utilisation réels et complexes.