Selon les perspectives des véhicules électriques 2018 de Bloomberg New Energy Finance d'ici 2030, il est prévu que les ventes totales de véhicules électriques (VE) dans le monde dépassent les 30 millions et que les paramètres de coût s'aligneront enfin sur le moteur à combustion interne. Le véhicule électrique représente un changement sismique dans l'industrie automobile, et son impact potentiel sur les entreprises et l'environnement est convaincant. Aujourd'hui, les débats sur l'adoption et la longévité des véhicules électriques font rage, et pas plus que sur les performances potentielles des batteries de véhicules électriques. Pour les scientifiques, de nombreux défis subsistent, notamment la sécurité des batteries, la densité d'énergie, les capacités de charge et leurs performances dans une voiture.
Dans cet article, le Dr Doron Myersdorf, PDG de StoreDot, explore comment l'IA pourrait bien détenir la clé pour résoudre ces problèmes, et le potentiel de cette approche pour l'avenir du stockage d'énergie et des véhicules électriques.
Les enjeux pour le marché mondial des batteries sont incroyablement élevés. Selon le directeur général de la DG Connect de la Commission européenne, Roberto Viola, on estime qu'il représentera plus de 250 milliards de livres sterling par an à partir de 2025, avec la création possible de 4 millions d'emplois dans la seule UE. Ces batteries, qui sont déjà essentielles pour la plupart des biens de consommation, le seront encore plus pour les véhicules électriques, avec une adoption généralisée reposant sur les performances.
"Actuellement, aucun constructeur automobile ou constructeur de batteries ne peut prétendre proposer une batterie de VE qui se charge aussi rapidement qu'il faut pour remplir le réservoir d'un véhicule traditionnel à carburant fossile, ni offrir la même autonomie. Par exemple, la Volkswagen e-Up offre 99 miles à pleine charge, et la Tesla Model S 100D a une autonomie de 335 miles à pleine charge. Cependant, aucun de ces véhicules ne peut être complètement chargé en quelques minutes. Aujourd'hui, une station de suralimentation Tesla met 75 minutes à se recharger complètement, alors que SP Group, le plus grand réseau de véhicules électriques de Singapour, ne prend qu'une demi-heure.
« Le potentiel des batteries lithium-ion pour résoudre certains de ces problèmes est énorme. Cependant, il existe un certain nombre de défis avec les batteries lithium-ion qui empêchent une charge rapide - du besoin d'une densité d'énergie plus élevée, à des performances de taux prééminentes et à des exigences de sécurité améliorées. Surmonter les problèmes de chimie des batteries est un processus de recherche lent, largement basé sur une conception itérative de l'expérimentation et des essais et erreurs systématiques. En effet, de nombreuses nouvelles avancées échouent avant d'arriver sur le marché.
« Dans les installations de R&D telles que la nôtre, les cyclistes collectent des informations sur les cellules de la batterie chaque seconde ; ces informations comprennent des paramètres de performance importants tels que la température de la cellule, la résistance en temps réel, la fenêtre de tension de fonctionnement, les courants de charge et de décharge et les niveaux de gonflement. Les informations sont collectées simultanément à partir de milliers de batteries avec des téraoctets de données collectées par expérience. En conséquence, le nombre de combinaisons pour ces matériaux est infini, et le nombre d'expériences nécessaires pour tester chaque combinaison l'est également. Il est extrêmement difficile à résoudre avec des méthodes statistiques ou manuelles traditionnelles.
"Cependant, une approche holistique de l'utilisation de la science des données dans le développement de batteries pourrait être la clé de la résolution de modèles aussi complexes. L'intelligence artificielle (IA) est un mot à la mode aujourd'hui. En termes simples, l'IA, ou apprentissage automatique, peut évaluer les informations et construire un modèle mathématique à un rythme beaucoup plus rapide que le cerveau humain. L'IA signifie que les systèmes peuvent automatiquement apprendre et s'améliorer à partir de l'expérience, sans être explicitement programmés.
« L'impact actuel et potentiel de l'IA dans plusieurs secteurs est stupéfiant. Dans le secteur manufacturier, certaines des plus grandes entreprises du monde utilisent déjà l'IA avec des résultats impressionnants. Par exemple, le Smart Manufacturing System de Royal Dutch Shell utilise l'IA pour prévoir la demande de pétrole, mesurer les pénuries d'approvisionnement et analyser le bon mélange pour un processus de raffinage précis. BASF et SAP ont affirmé avoir automatisé 94% de son traitement des paiements avec l'IA. Le potentiel d'application de l'IA est large -
de la conception et de la synthèse des matériaux à la conception d'expériences, à l'analyse des défauts et à la réduction des déchets. Avec l'IA, une science plus intelligente avec des percées significatives est possible.
"L'impact de cela sur le développement des batteries ne doit pas être sous-estimé. La technologie peut parcourir des millions d'enregistrements pour décrire la relation entre les données mesurées et les paramètres de la batterie. En tant que fabricants, nous pouvons ensuite l'utiliser pour tester des millions de combinaisons d'électrolytes, d'anodes et de cathodes à tout moment.
« Les scientifiques peuvent non seulement évaluer les batteries en cours de développement, mais ils peuvent également apprendre des batteries préexistantes pour mieux comprendre leur profil de comportement de performance et recommander la solution optimale. La capacité de tester rapidement des combinaisons illimitées signifie que la formulation ultime des matériaux utilisés pour fabriquer la cellule de batterie est atteinte beaucoup, beaucoup plus rapidement. Cela réduit considérablement le nombre d'expériences nécessaires, réduisant ainsi considérablement le temps de développement, ainsi que les coûts de développement. Par exemple, une équipe de 50 chercheurs travaillant sur une formulation de batterie particulière peut économiser jusqu'à 1 million de dollars en efforts de R&D par mois en déployant des capacités d'apprentissage automatique."
« Chez StoreDot, une première incursion dans cette technique a donné des résultats remarquables. Par exemple, pour la première génération de notre technologie de charge ultra-rapide FlashBattery, avec apprentissage automatique, notre équipe a découvert que quelques changements simples dans la formation pouvaient doubler le nombre de cycles de la batterie en cours de développement de 300 à plus de 600 cycles. C'est cette découverte qui a inspiré StoreDot à développer et à consacrer tout un groupe de R&D uniquement pour renforcer nos capacités en apprentissage automatique. Ce résultat spectaculaire est maintenant appliqué à la prochaine génération de notre batterie pour véhicules électriques. La charge ultra-rapide présente un problème très complexe - où, dans une méthodologie de batterie traditionnelle, nous ne changerions généralement qu'un seul composant, mais ici, nous devrons peut-être en changer beaucoup plus pour atteindre la percée souhaitée. En combinant une science des données innovante, alimentée par l'IA, avec une expertise en électrochimie, structure cellulaire, anodes, cathodes et électrolytes, des conclusions bien plus complexes peuvent être tirées.
"De toute évidence, les avantages de l'apprentissage automatique au cours du processus de R&D s'avèrent inestimables. Cependant, ce n'est pas la seule façon dont l'IA peut être mise en œuvre pour faire progresser les véhicules électriques. Une application très différente et intrigante de l'apprentissage automatique consisterait à l'implémenter dans le logiciel opérationnel du véhicule électrique, à surveiller en permanence les performances et l'état de la batterie, à mesurer les données en temps réel, à en tirer des enseignements et à les faire circuler pour améliorer les performances du produit. De plus, en créant des batteries plus intelligentes avec des capacités de détection intégrées et des fonctionnalités d'auto-guérison, le système de gestion des batteries peut être conscient de leur "état de santé" et peut même rajeunir les cellules ou modules de batterie si nécessaire.
"En fin de compte, en permettant aux innovateurs de modifier plus d'un composant à la fois et d'analyser les preuves plus rapidement, ils peuvent tirer des conclusions que l'analyse statistique traditionnelle ne peut pas accomplir. Cette preuve permet des cycles de développement plus rapides et la capacité de surmonter des problèmes qui pourraient autrement ne pas être résolus. Pour l'adoption des véhicules électriques, cette capacité est primordiale pour résoudre l'un des plus grands obstacles des consommateurs, "l'anxiété de l'autonomie". En réduisant les temps de charge des batteries grâce à la technologie d'apprentissage automatique, littéralement, l'ensemble de l'industrie des véhicules électriques pourrait être remaniée."
