Propositions de sujets de these
Apprentissage par les données d'un modèle de vieillissement de batterie de véhicules électriques
Data-driven learning of a battery ageing model for electric vehicles
Mots-clés
IA, Big Data, modélisation des systèmes, état de santé des batteries, voitures électriques
IA, Big Data, system modeling, battery health, electric cars
Résumé
Dans le cadre des nouvelles mobilités, la connaissance de l'état de santé des batteries est un élément majeur dans l'écosystème des véhicules électriques. Les règlementations à venir vont imposer aux constructeurs automobiles des nouveaux critères d'états de santé pour garantir un vieillissement maîtrisé au terme d'un seuil kilométrique et temporel. La problématique de cette thèse est de pouvoir estimer et prédire avec précision ces critères d'états à partir de données télémétriques issus des véhicules en roulage. Des approches numériques avancées (domaine multiphysique, multifréquence, IA sur des données BigData…) seront à mettre en œuvre lors des phases de modélisations. Les états de santé prédits seront validés par des diagnostics embarqués sur différents véhicules.
In the context of new forms of mobility, knowledge of battery health is a major factor in the electric vehicle ecosystem. Future regulations will impose new health status criteria on automakers, to guarantee controlled ageing at the end of a kilometre and time threshold. The aim of this thesis is to accurately estimate and predict these health criteria using telemetry data from vehicles on the road. Advanced numerical approaches (multiphysics domain, multifrequency, AI on BigData...) will be used during the modeling phases. The predicted states of health will be validated by on-board diagnostics on different vehicles.
Contexte
-
Encadrement
Directeur de Thèse 1 : Pierre Kerfriden
Co-directeur de Thèse 2 : David Ryckelynck
Profil du candidat
Ingénieur et/ou Master recherche - Bon niveau de culture générale et scientifique. Bon niveau de pratique du français et de l'anglais (niveau B2 ou équivalent minimum). Bonnes capacités d'analyse, de synthèse, d'innovation et de communication. Qualités d'adaptabilité et de créativité. Capacités pédagogiques. Motivation pour l'activité de recherche. Projet professionnel cohérent.
Pré-requis (compétences spécifiques pour cette thèse) :
- Connaissances approffondies en intelligence artificielle
- Maitrise des réseaux de neurones (récurrents et convolutionnels en particulier)
- Maitrise des statistiques et probabilitiés, des algorithmes d'optimisation nonconvexe, de l'algèbre linéaire
- Connaissances en calcul sur graphs computationnels différentiables et algorithmes haute-performance pour l'IA
- Connaissance du Big data, et des enjeux liés aux données hétérogènes, multidomaines et/ou manquantes
- Connaissance en modélisation et controle des systèmes, assimilation de données (e.g. filtres de Kalman)
- Maitrise du python
Pour postuler : Envoyer votre dossier à recrutement_these@mat.mines-paristech.fr et pierre.kerfriden@minesparis.psl.eu comportant
• un curriculum vitae détaillé
• une copie de la carte d'identité ou passeport
• une lettre de motivation/projet personnel
• des relevés de notes L3, M1, M2
• 2 lettres de recommandation
• les noms et les coordonnées d'au moins deux personnes pouvant être contactées pour recommandation
• une attestation de niveau d'anglais
Engineer and / or Master of Science - Good level of general and scientific culture. Good level of knowledge of French (B2 level in french is required) and English. (B2 level in english is required) Good analytical, synthesis, innovation and communication skills. Qualities of adaptability and creativity. Teaching skills. Motivation for research activity. Coherent professional project.
- Extensive knowledge of artificial intelligence
- Mastery of neural networks (recurrent and convolutional in particular)
- Mastery of statistics and probabilities, non-convex optimization algorithms, linear algebra
- Knowledge of computation on differentiable computational graphs and high-performance algorithms for AI
- Knowledge of Big Data, and the challenges of heterogeneous, multi-domain and/or missing data
- Knowledge of systems modeling and control, data assimilation (e.g. Kalman filters)
- Proficiency in Python
Applicants should supply the following :
• a detailed resume
• a copy of the identity card or passport
• a covering letter explaining the applicant's motivation for the position
• detailed exam results
• two references : the name and contact details of at least two people who could be contacted
• to provide an appreciation of the candidate
• Your notes of M1, M2
• level of English equivalent TOEIC
to be sent to recrutement_these@mat.mines-paristech.fr and pierre.kerfriden@minesparis.psl.eu
Objectifs
Les activités de recherche porteront sur :
Études bibliographiques sur les modèles de vieillissement par des approches systèmes et IA
Analyse et traitement des données télémétriques des véhicules
Construction des scenarii de vieillissements batterie et identification des paramètres par modélisation IA et analyses Machine Learning
Mise en place de protocoles opératoires de caractérisation des batteries en cours de vie dans le véhicule
Comparaison des mesures expérimentales et boucles correctives des modèles IA initiaux
Références
Gyan et al, Mobicus Project: Battery Ageing Testing, Modelling and Strategies for Improved Durability. SciEnvironm 2: 136, 2019
Gyan et al., Experimental Assessment of Battery Cycle Life Within the SIMSTOCK Research Program, Oil \& Gas Science and Technology – Revue d'IFP Energies nouvelles, 2013
Règlementations : https://unece.org/transport/documents/2022/04/standards/un-gtr-no22-vehicle-battery-durability-electrified-vehicles