Le National Renewable Energy Laboratory utilise l’apprentissage automatique pour prédire le risque de fuite 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 de fonctionnement conventionnelles et extrêmes, sous des températures changeantes, après des cycles de charge et de décharge répétés, et sur toute la plage de cycles de conduite. La défaillance d’une cellule peut entraîner des températures extrêmes générées à l’intérieur d’un pack de batteries, conduisant à une fuite thermique. Cela peut provoquer des incendies toxiques qui se propagent d’une seule cellule à l’ensemble du pack de batteries.
Regardez comment la fuite thermique s’installe dans une batterie lithium-ion. Vidéo utilisée avec l’aimable autorisation du National Renewable Energy Laboratory
Grâce à l’apprentissage automatique, les chercheurs du National Renewable Energy Laboratory (NREL) peuvent prédire le comportement de fuite thermique des batteries.
La fuite thermique peut entraîner des incendies dans les véhicules électriques. Image utilisée avec l’aimable autorisation de Adobe Stock
Problèmes de fuite thermique
Puisque les batteries peuvent fonctionner dans des conditions environnementales difficiles, il existe toujours un risque qu’elles subissent une fuite thermique. Le principal problème au sein des packs de batteries est la propagation, où une fuite thermique dans une cellule chauffe les cellules voisines, entraînant sa propagation dans l’ensemble du pack de batteries.
Avec le risque de problèmes de propagation majeurs, comprendre la production de chaleur des cellules lithium-ion pendant une fuite thermique est essentiel pour concevoir des batteries sûres. Cependant, la production de chaleur peut varier considérablement selon les caractéristiques de la cellule, l’historique des cycles et les conditions de test. Le principal défi est la variabilité de la fuite thermique sous des conditions de test identiques.
Actuellement, la mesure de la fuite thermique repose sur la fraction de chaleur éjectée et 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 de fuite thermique fractionnelle (FTRC). La variabilité se manifeste sous les mêmes conditions de test car 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 diversité des résultats sont chronophages et coûteuses. Les défis liés à la fuite thermique ont ralenti l’adoption de nouvelles architectures de cellules pour les véhicules électriques.
Vue en coupe du FTRC. Image utilisée avec l’aimable autorisation de NASA
Une approche d’apprentissage automatique pour prédire la variabilité des fuites thermiques
L’approche du NREL utilise l’apprentissage automatique pour rationaliser les données sur la masse éjectée pendant les fuites thermiques. Elle a été utilisée pour prédire des comportements complexes de fuite thermique dans de nouveaux types de cellules avec une précision et une rapidité beaucoup plus élevées.
Cette approche a tiré des mesures de calorimétrie de cellules lithium-ion commerciales dans la Battery Failure Databank en accès libre créée par le NREL et la NASA. Il s’agit de la plus grande base de données publique contenant des informations sur les données de fuite thermique. Ces mesures de données ont été utilisées pour former un modèle d’apprentissage automatique afin d’identifier quelles architectures de batteries sont susceptibles d’échouer.
Le modèle d’apprentissage automatique a prédit la sortie de chaleur fractionnelle variable des cellules subissant des fuites thermiques sans avoir besoin 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 sortie totale et fractionnelle de chaleur d’un nouveau type de cellule en utilisant seulement 0-5 mesures de FTRC. La méthode pouvait également prédire l’éjection de chaleur des côtés positifs et négatifs de la cellule à travers le boîtier. Cette approche offrait un cadre plus rationalisé pour prédire avec précision le comportement thermique de toute nouvelle cellule et estimer ses risques de sécurité.
Méthodes basées sur les données et expérimentales
L’apprentissage automatique est utilisé dans le secteur des batteries et de l’énergie en général pour offrir de meilleures capacités de prédiction. Cela permet 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 doit être utilisé avec des mesures physiques pour rationaliser et accélérer le processus de test et produire des résultats plus précis quant à la sécurité des nouvelles batteries.