Estimation de la température des batteries lithium-soufre par impédance à l'aide de réseaux de neurones artificiels // impedance based temperature estimation of lithium-sulfur cells using artificial neural networks

Topic description

Cette thèse explore une approche d'estimation de la température interne des batteries sans capteur, combinant les données de spectroscopie d'impédance électrochimique (EIS) avec des réseaux de neurones artificiels (ANNs) [4]. Traditionnellement, un système de gestion de batterie (BMS) repose sur des capteurs intégrés, tels que des thermistances ou des thermocouples, pour surveiller la température interne et prévenir les risques d'emballement thermique [5]. Dans les méthodes sans capteur, le spectre d'impédance d'une batterie, obtenu par EIS, contient des signatures caractéristiques en corrélation avec sa température interne. En entraînant un ANN à reconnaître ces modèles, il devient possible de prédire la température interne de la batterie à partir de signaux électriques mesurables (tension, courant et temps). Une fois intégré à un BMS avancé, ce procédé permet une surveillance thermique en temps réel, améliorant la sécurité et réduisant les risques tels que la surchauffe, les incendies ou les explosions. L'un des principaux avantages de la méthode EIS-ANN réside dans sa rapidité d'estimation de la température, réalisée en quelques millisecondes, sans nécessiter de résolution intensive d'équations aux dérivées partielles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis explores a sensorless temperature estimation method that combines data from electrochemical impedance spectroscopy (EIS) with artificial neural networks (ANNs).[4] Traditionally, a Battery Management System (BMS) relies on integrated sensors, such as thermistors or thermocouples, to monitor internal temperature and to prevent hazards like thermal runaway.[5] In sensorless methods, the impedance spectrum of a battery, obtained through EIS, contains subtle signatures that correlate with its internal temperature. By training an ANN to recognize these patterns, it becomes possible to predict the battery's internal temperature using measurable electrical signals (voltage, current, and time). When integrated into an advanced BMS, this approach enables real-time thermal monitoring and management, enhancing safety and mitigating risks such as overheating, fires, or explosions. A key advantage of the EIS-ANN method is its rapid temperature estimation, which is completed within milliseconds, eliminating the need for computationally intensive partial differential equation solving.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Funding further details

Concours IPP ou école membre*