Imaginez qu'une voyante révèle à vos parents, le jour de votre naissance, votre espérance de vie. Une expérience similaire est possible pour les chimistes spécialisés dans les batteries, qui utilisent de nouveaux modèles informatiques pour calculer la durée de vie des batteries à partir d'un seul cycle de données expérimentales.

Dans une nouvelle étude, des chercheurs du Laboratoire national d'Argonne du Département de l'Énergie des États-Unis (DOE) ont exploité la puissance de l'apprentissage automatique pour prédire la durée de vie d'une large gamme de batteries aux compositions chimiques différentes. Grâce aux données expérimentales recueillies à Argonne sur un ensemble de 300 batteries représentant six compositions chimiques différentes, les scientifiques peuvent déterminer avec précision la durée de vie des différents types de batteries.

Des chercheurs d'Argonne ont utilisé des modèles d'apprentissage automatique pour prédire la durée de vie des batteries pour une large gamme de compositions chimiques différentes. (Image : Shutterstock/Sealstep.)

Dans un algorithme d'apprentissage automatique, les scientifiques entraînent un programme informatique à tirer des conclusions d'un ensemble initial de données, puis utilisent ce qu'il a appris de cet entraînement pour prendre des décisions sur un autre ensemble de données.

« Pour chaque type d'application de batterie, des téléphones portables aux véhicules électriques en passant par le stockage sur réseau, la durée de vie de la batterie est d'une importance capitale pour chaque consommateur », explique Noah Paulson, chercheur en calcul scientifique à Argonne et co-auteur de l'étude. « Il faut parfois des années pour tester une batterie jusqu'à ce qu'elle tombe en panne ; notre méthode crée une sorte de laboratoire informatique virtuel qui nous permet d'évaluer rapidement les performances de différentes batteries. »

« Actuellement, le seul moyen d’évaluer la perte de capacité d’une batterie consiste à la charger et la décharger cycliquement », a ajouté Susan « Sue » Babinec, électrochimiste à Argonne et co-auteure de l’étude. « C’est très coûteux et long. »

Selon Paulson, déterminer la durée de vie d'une batterie peut s'avérer complexe. « En réalité, les batteries ne sont pas éternelles et leur durée de vie dépend de leur utilisation, de leur conception et de leur composition chimique », explique-t-il. « Jusqu'à présent, il n'existait pas de méthode fiable pour connaître la durée de vie d'une batterie. Les consommateurs voudront savoir combien de temps il leur reste avant de devoir en acheter une nouvelle. »

L'un des aspects uniques de cette étude réside dans le fait qu'elle s'appuie sur des travaux expérimentaux approfondis menés à Argonne sur divers matériaux de cathode pour batteries, notamment la cathode brevetée à base de nickel-manganèse-cobalt (NMC) d'Argonne. « Nous disposions de batteries présentant différentes compositions chimiques, avec des modes de dégradation et de défaillance variés », a expliqué Paulson. « L'intérêt de cette étude est qu'elle nous a permis d'obtenir des indications caractéristiques du comportement de différentes batteries. »

Des recherches plus approfondies dans ce domaine pourraient orienter l'avenir des batteries lithium-ion, a déclaré Paulson. « Nous sommes notamment capables d'entraîner l'algorithme sur une chimie connue et de lui faire faire des prédictions sur une chimie inconnue », a-t-il expliqué. « En résumé, l'algorithme pourrait nous aider à développer des chimies nouvelles et améliorées offrant une durée de vie plus longue. »

Paulson estime ainsi que l'algorithme d'apprentissage automatique pourrait accélérer le développement et les tests des matériaux pour batteries. « Imaginez un nouveau matériau : après quelques cycles de charge/décharge, notre algorithme permettrait de prédire sa durée de vie et de décider ensuite s'il convient de poursuivre les tests. »

« Si vous êtes chercheur en laboratoire, vous pouvez découvrir et tester beaucoup plus de matériaux en moins de temps car vous disposez d'une méthode d'évaluation plus rapide », a ajouté Babinec.

Un article basé sur l'étude, «L'ingénierie des caractéristiques pour l'apprentissage automatique a permis une prédiction précoce de la durée de vie de la batterie« », est paru dans l’édition en ligne du 25 février du Journal of Power Sources.

Outre Paulson et Babinec, les autres auteurs de l'article comprennent Joseph Kubal d'Argonne, Logan Ward, Saurabh Saxena et Wenquan Lu.

Cette étude a été financée par une subvention du programme de recherche et développement dirigé par le laboratoire Argonne (LDRD).