Predictive parametric inference of lithium-ion battery degradation trajectory through high-throughput physics-based simulation

Les batteries sont les battements de cœur silencieux de la vie moderne, alimentant tout, des smartphones dans nos poches aux voitures électriques sur nos routes. Pourtant, comme tout système vivant, elles vieillissent. Au fil du temps, les produits chimiques à l'intérieur d'une batterie lithium-ion se dégradent lentement, perdant la capacité de maintenir une charge jusqu'à ce que l'appareil finisse par tomber en panne. Prédire exactement quand cela se produira est un défi critique pour les ingénieurs et les scientifiques. Si nous pouvons prévoir avec précision la durée de vie d'une batterie, nous pouvons concevoir des véhicules électriques plus sûrs et gérer les réseaux énergétiques plus efficacement. Le problème est que les batteries sont des systèmes chimiques complexes, et les observer vieillir en conditions réelles nécessite des années de tests lents et coûteux. Les modèles informatiques traditionnels qui tentent de simuler ces processus chimiques sont incroyablement détaillés, mais ils sont aussi si lents que les exécuter des milliers de fois pour trouver la bonne réponse est pratiquement impossible.

Une équipe de chercheurs de l'Université polytechnique de Hong Kong et d'autres institutions a trouvé un moyen d'accélérer ce processus sans perdre la rigueur scientifique nécessaire pour comprendre ce qui se passe à l'intérieur de la batterie. Ils ont développé une nouvelle méthode qui combine les lois physiques profondes régissant la chimie des batteries avec la vitesse de l'intelligence artificielle moderne. Au lieu d'exécuter des simulations lentes et lourdes chaque fois qu'ils ont besoin d'une prédiction, ils ont entraîné un programme informatique intelligent pour agir comme une version accélérée de ces simulations. Ce programme a appris les schémas de vieillissement des batteries en étudiant des milliers d'exemples générés par les modèles détaillés et lents. Une fois entraîné, cet « émulateur » pouvait prédire instantanément comment une batterie se dégraderait en fonction de ses paramètres chimiques internes. Les chercheurs ont ensuite utilisé cet outil rapide pour travailler à rebours : en observant les performances précoces d'une batterie, ils pouvaient déduire les paramètres chimiques cachés qui pilotent son vieillissement et projeter ensuite toute sa durée de vie future avec une précision surprenante.

Le cœur de ce travail aborde une difficulté fondamentale de la science des batteries : nous ne pouvons pas mesurer facilement les taux chimiques spécifiques qui causent la mort d'une batterie pendant qu'elle est utilisée. Nous voyons la batterie perdre sa capacité, mais nous ne pouvons pas voir directement les réactions microscopiques, telles que l'accumulation d'une couche protectrice sur l'électrode ou la formation de dépôts de lithium indésirables, qui causent cette perte. Comme nous ne pouvons pas les mesurer directement, les scientifiques doivent souvent deviner les valeurs de ces paramètres cachés pour que leurs modèles correspondent à la réalité. C'est un puzzle difficile car de nombreuses combinaisons différentes de paramètres cachés peuvent produire le même résultat visible, ce qui rend difficile de savoir laquelle est réellement correcte. Les chercheurs ont abordé ce problème en créant une vaste bibliothèque de comportements de batteries possibles. Ils ont utilisé un modèle détaillé basé sur la physique pour simuler la façon dont une batterie vieillirait selon des milliers de scénarios différents, en faisant varier six facteurs chimiques clés qui contrôlent la dégradation. Ces facteurs comprenaient des éléments tels que la vitesse à laquelle une couche protectrice croît, la rapidité avec laquelle le métal lithium pourrait s'accumuler sur l'électrode, ou la manière dont le matériau de l'électrode pourrait se fissurer ou perdre sa capacité de stockage d'énergie.

À partir de ces milliers de simulations, les chercheurs ont entraîné un réseau de neurones, un type d'intelligence artificielle, pour apprendre la relation entre ces facteurs chimiques cachés et les courbes de vieillissement résultantes. Considérez ce réseau de neurones comme un traducteur hautement qualifié qui convertit instantanément un ensemble de paramètres chimiques en une durée de vie de batterie prédite. Une fois ce traducteur construit, il pouvait évaluer des millions de possibilités en quelques secondes, une tâche qui aurait pris des années en utilisant la méthode de simulation lente originale. Les chercheurs ont ensuite appliqué cet outil à des données réelles provenant de batteries testées à l'Université de Tongji. Ils ont pris les courbes de vieillissement réelles de ces batteries et ont utilisé leur émulateur rapide pour trouver l'ensemble des paramètres chimiques cachés qui correspondaient le mieux au comportement réel. En utilisant une approche statistique qui prenait en compte les contraintes physiques du fonctionnement des batteries, ils ont pu réduire les possibilités à l'ensemble le plus probable des causes pour chaque schéma de vieillissement spécifique de la batterie.

Le véritable test de cette méthode est survenu lorsque les chercheurs ont tenté de prédire l'avenir des batteries en utilisant seulement une infime fraction de leur vie. Dans de nombreuses situations réelles, nous ne disposons que de quelques mois de données sur une nouvelle batterie et devons savoir comment elle se comportera au cours de la prochaine décennie. L'équipe a injecté dans leur système seulement les premiers 5 % à 15 % de la vie d'une batterie, correspondant à la période où la batterie est encore presque pleine. Le système a ensuite déduit les paramètres chimiques cachés pilotant ce vieillissement précoce et a utilisé son émulateur rapide pour projeter le reste de la vie de la batterie. Les résultats ont été frappants. Lorsqu'ils prédisaient le nombre de cycles qu'une batterie durerait avant de descendre à 80 % de sa capacité initiale, leur méthode basée sur la physique commettait une erreur d'environ 59 cycles en moyenne. En comparaison, les meilleures méthodes basées uniquement sur les données existantes, qui reposent exclusivement sur des schémas dans les données sans comprendre la physique sous-jacente, commettaient des erreurs de près de 80 cycles. Cet écart devenait encore plus important lorsque les chercheurs tentaient de prédire l'avenir à partir des premiers 5 % de la vie de la batterie, un scénario où les données sont extrêmement rares.

L'étude a également révélé que la méthode n'était pas seulement précise, mais aussi physiquement cohérente. Lorsque les chercheurs ont examiné les paramètres que leur système a déduits pour des batteries testées à différentes températures, les résultats correspondaient à ce que les scientifiques savent déjà de la chimie des batteries. Par exemple, le système a correctement identifié qu'une température plus élevée entraînait une croissance plus rapide de la couche protectrice et des changements dans le comportement du lithium, qui sont des effets physiques connus. Il a également montré que les dommages à l'électrode, qui surviennent généralement plus tard dans la vie d'une batterie, étaient moins prononcés dans le groupe à haute température, ce qui est cohérent avec l'observation que ces batteries duraient plus longtemps dans les phases ultérieures. Cette cohérence suggère que le système ne fait pas que mémoriser des données, mais apprend réellement les règles sous-jacentes de la dégradation des batteries.

Bien que la méthode ait montré un grand potentiel, les chercheurs ont pris soin de noter ses limites. La précision de leurs prédictions dépend entièrement de la manière dont la bibliothèque initiale de simulations couvrait le monde réel. Si une batterie se dégrade d'une manière qui n'était pas incluse dans leurs simulations d'entraînement, le système pourrait ne pas être capable de la prédire correctement. Ils ont observé que dans un groupe spécifique de batteries testées à une température plus basse, la simulation ne correspondait pas parfaitement au déclin accéléré observé dans les données réelles, suggérant que certaines voies de dégradation manquaient à leur modèle. Cependant, le cadre offre une nouvelle voie prometteuse. En déplaçant le travail de calcul intensif vers une phase hors ligne où les simulations sont générées une seule fois, le système permet une analyse rapide et à haute vitesse de l'état de santé des batteries, ce qui était auparavant impossible. Cette approche offre un moyen de combler le fossé entre la compréhension détaillée et lente de la physique et les besoins rapides et gourmands en données de la gestion moderne des batteries, aidant potentiellement les ingénieurs à concevoir des batteries plus durables et offrant aux utilisateurs une image plus claire de la longévité de leurs appareils.