Descriptif des activités de recherche

Je devrai simuler les données de cyclage à partir du modèle open-source PyBamm et préparer les données expérimentales pour l’analyse via des techniques de deep learning. Ensuite, je travaillerai sur l’optimisation de l’architecture et des hyperparamètres des réseaux LSTM afin d’obtenir des prédictions précises de l’évolution de la capacité des batteries en fonction des cycles de charge et de décharge. Ces réseaux LSTM seront enrichis d’une couche d’attention pour limiter les effets de « vanishing gradient » dans les séries temporelles et améliorer les prédictions à longue distance.

Je devrai également extraire des caractéristiques (features) liées à la connaissance des mécanismes de dégradation impactant l’état de santé des batteries, afin de renforcer la stratégie d’attention en intégrant ces caractéristiques à l’évolution temporelle. Par la suite, j’utiliserai des réseaux Transformer, qui intègrent des mécanismes de « self-attention » pour identifier des corrélations à plus grande portée dans les séries temporelles. Enfin, je m’occuperai des aspects liés à la préparation des données expérimentales (base de données et données locales), à l’interpolation temporelle et à l’embedding, qui seront des étapes clés du projet.

Parcours

Ingénieur de recherche (IRCER UMR 7315 CNRS, Assil BOUZID & Sylvian CADARS, 2013, Développer une méthode de criblage permettant de prédire la contante diélectrique et d’identifier des familles de composés dans des gammes de permittivité ciblées.)

 Thèse (IRCER UMR 7315 CNRS, Université de Limoges, Assil BOUZID & Olivier MASSON, 2020-23, Etude ab-initio de la structure des verres à base d'oxyde de tellure : un pas vers l'etablissement des relations structure-proprietes)

 Master en Physique (S N Bose National Center for Basic Sciences, 2016-18)

---

Compétences

---