Company

AMPERE s.a.s.

Job Description

Votre environnement de travail

Articulations des activités entre Ampere et Labo :

Le laboratoire retenu est le Laboratoire de Réactivité et Chimie du Solide (LRCS) à Amiens, avec l’encadrement de Pr. Alejandro FRANCO, avec qui Renault collabore avec succès sur une thèse sur la partie modélisation multiphysique, compte tenu de la qualité de l’environnement en termes de moyens d’essai et la qualité de l’encadrement.

Des points d’avancement réguliers (1/mois environ) seront organisés (F2F ou à distance) avec le doctorant et ses encadrants.

Vos missions

Liste des activités de recherche :

• Mise à jour de la bibliographie (articles des revues à comité de lecture et brevets) sur les modèles Machine Learning qui les constituent pour appréhender les différentes approches statistiques dans l’espace pour entrainer un modèle et optimiser son calcul de précision du SOHE + Maitrise des différents techniques d’analyses post mortem utilisées pour observer et comprendre chaque défaut + Maitrise de différents techniques d’analyses électrochimiques pour pouvoir exploiter les données de validations nécessaires pour la construction de la plateforme data du modèle.
• Amélioration et adaptation des modèles Machine Learning existant en source ouverte pour satisfaire notre besoin de prédiction avec haute précision l’état de santé de la batterie et sa durée de vie pour première vie.
• Etude d’utilisation du modèle Machine Learning développé et ses lois empiriques pour mettre à jour le modèle semi-empirique de vieillissement AMPERE (Modèle durabilité)
• Prédire le vieillissement des cellules électrochimiques de nouvelles génération (Chimie hautement riche en Nickel (>85%), chimie LFP ou à base de électrodes négatives 100% Silicium) en se basant sur la même plateforme de validation existante.

Méthodes utilisées :

• Méthodes statistiques dans l’espace pour couvrir tous les cas d’usage pour entrainer un modèle Machine Learning
• Définition du degré de précision du calcul du modèle pour chaque niveau de vieillissement MOLx
• Méthodes de cyclages et stockages électrochimiques pour faire vieillir des cellules jusqu’à leurs morts subites pour corréler les résultats de prédiction du modèle
• Développement des équations empiriques plus précises de calcul de la dégradation pour les intégrer dans le modèle durabilité de base qui est stocké dans le BMS véhicule.  

Principaux livrables :

• Mémoire de thèse
• Brevets
• Dissémination dans les instances de comité technique AMV-C
• Communication dans des journaux avec comité de lecture, congrès…

Votre profil

Connaissances requises :

• Connaissances en électrochimie, Modélisation numérique et statistique dans l’espace des systèmes électrochimiques
• Connaissances des méthodes de simulations numériques tels que (Matlab, Comsol, Pyton), des connaissances sur les langages type Maple, Fortran…
• Connaissances des méthodes d’analyse électrochimiques (Spectroscopie d’impédance, cyclage en charge/décharge, …)
• Connaissances sur l’approche Big Data et Plateforme data et classification des données
• Chimie des solides et études d’analyses physiques (Diffraction RX, Spectroscopie FT-IR, Microscopie à balayage, EDX…)

Formation souhaitée :

• Ingénieur généraliste, informatique et mathématiques appliquées, Ingénieur Big Data

Aptitudes personnelles souhaitées :

Autonomie, rigueur, esprit d'initiative et de synthèse, aptitude à travailler en équipe

Job Family

Transverse

Contract Duration

36 months