Le Laboratoire National des Énergies Renouvelables utilise l’apprentissage automatique pour prédire le risque de défaillance thermique d’une batterie.
Avant que les batteries puissent être utilisées dans des applications commerciales, elles doivent être certifiées sûres et fiables dans des conditions d’exploitation conventionnelles et extrêmes, sous des températures changeantes, après des cycles de charge et de décharge répétés, et sur l’ensemble du cycle de conduite. La défaillance d’une cellule peut entraîner des températures extrêmes à l’intérieur d’un pack de batteries, conduisant à une défaillance thermique. Cela peut provoquer des incendies toxiques qui se propagent d’une cellule unique à l’ensemble du pack de batteries.
Regardez la défaillance thermique se manifester à l’intérieur d’une batterie lithium-ion. Vidéo gracieusement fournie par le Laboratoire National des Énergies Renouvelables
En utilisant l’apprentissage automatique, les chercheurs du Laboratoire National des Énergies Renouvelables (NREL) peuvent prédire le comportement de défaillance thermique des batteries.
La défaillance thermique peut conduire à des incendies dans les véhicules électriques. Image gracieusement fournie par Adobe Stock
Problèmes de Défaillance Thermique
Étant donné que les batteries peuvent fonctionner dans des conditions environnementales sévères, il y a toujours un risque qu’elles subissent une défaillance thermique. Le principal problème au sein des packs de batteries est la propagation, où une défaillance thermique dans une cellule chauffe les cellules voisines, provoquant ainsi une propagation à travers le pack de batteries.
Face au risque majeur de problèmes de propagation, comprendre la production de chaleur des cellules lithium-ion pendant la défaillance thermique est essentiel pour concevoir des batteries sûres. Cependant, la production de chaleur peut varier considérablement en fonction des propriétés de la cellule, de l’historique des cycles et des conditions de test. Le principal défi est la variabilité de la défaillance thermique sous des conditions de test identiques.
Actuellement, la mesure de la défaillance thermique repose sur la décomposition fractionnelle de la chaleur éjectée et de la chaleur qui reste dans le boîtier de la cellule. Cela mesure la chaleur fractionnelle d’une cellule et évalue le matériau éjecté à chaque extrémité de la cellule et à travers le boîtier. Ces données sont calculées à l’aide d’un calorimètre à défaillance thermique fractionnel (FTRC). La variabilité se manifeste sous les mêmes conditions de test parce que ce qui se passe à l’intérieur des cellules individuelles peut différer, entraînant des distributions de chaleur différentes.
Les méthodes actuelles pour tenir compte de la variance des résultats sont chronophages et coûteuses. Les défis liés à la défaillance thermique ont freiné l’adoption de nouvelles architectures de cellules pour les véhicules électriques.
Vue en coupe du FTRC. Image gracieusement fournie par NASA
Une Approche d’Apprentissage Automatique Prédit la Variabilité de la Défaillance Thermique
L’approche du NREL utilise l’apprentissage automatique pour rationaliser les données sur la masse éjectée durant la défaillance thermique. Elle a été utilisée pour prédire des comportements complexes de défaillance thermique dans de nouveaux types de cellules avec une précision et une rapidité beaucoup plus élevées.
Cette approche repose sur des mesures de calorimétrie provenant de cellules lithium-ion commerciales dans la base de données publique sur les défaillances de batterie créée par le NREL et la NASA. C’est la plus grande base de données publique disponible contenant des informations sur les données de défaillance thermique. Ces mesures de données ont été utilisées pour entraîner un modèle d’apprentissage automatique afin d’identifier quelles architectures de batteries sont susceptibles de connaître des défaillances.
Le modèle d’apprentissage automatique a prédit la production de chaleur fractionnelle variable des cellules subissant une défaillance thermique sans nécessiter de propriétés physiques ou électrochimiques ni de techniques de calorimétrie expérimentale. Le modèle pouvait prédire la distribution de chaleur (y compris les données aberrantes) et prédire quantitativement la moyenne et la variance de la production totale et fractionnelle de chaleur d’un nouveau type de cellule en utilisant seulement 0 à 5 mesures de FTRC. La méthode pouvait également prédire l’éjection de chaleur des extrémités positive et négative de la cellule à travers le boîtier. Cette approche a offert un cadre plus rationalisé pour prédire avec précision le comportement thermique de toute nouvelle cellule et évaluer ses risques de sécurité.
Méthodes Basées sur les Données et Expérimentales
L’apprentissage automatique est utilisé dans le secteur des batteries et plus largement dans le secteur de l’énergie pour fournir de meilleures capacités de prédiction. Il offre la possibilité de réduire considérablement les ressources nécessaires aux tests de batteries en s’appuyant sur quelques mesures de calorimétrie. L’apprentissage automatique n’est pas destiné à remplacer les tests physiques. Au contraire, il devrait être utilisé en complément des mesures physiques pour rationaliser et accélérer le processus de test et produire des résultats plus précis sur la sécurité des nouvelles batteries.