Mécanique

ISMME - Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique

KERFRIDEN Pierre

RYCKELYNCK David

Centre des Matériaux

21/11/2024

IA, Big Data, modélisation des systèmes, état de santé des batteries, voitures électriques

IA, Big Data, electric vehicles, battery health

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 oeuvre lors des phases de modélisations. Les états de santé prédits seront validés par des diagnostics embarqués sur différents véhicules.

/

/

Directeur de thèse Pierre Kerfriden Mines Paris - PSL - Centre des Matériaux Evry
Co-directeur David Ryckelynck Mines Paris - PSL - CEMEF Sophia Antipolis
Lieu de de travail :Technocentre, Renault Guyancourt et Centre des Matériaux à Evry

Profil type pour une thèse à MINES ParisTech: 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

Typical profile for a thesis at MINES ParisTech: 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.
Prerequisite (specific skills for this thesis):
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

Pouvoir estimer et prédire avec précision ces critères d'états à partir de données télémétriques issus des véhicules en roulage.

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

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

CIFRE ANRT

https://www.adum.fr/script/downloadfile.pl?type=78&ID=58557