Soutenance de thèse de Daouda PENE – Lundi 16 Décembre 2024 – 14h00 – ENSEEIHT

La soutenance de thèse de Daouda PENE intitulée : « Études prédictives des processus de vieillissement des piles à combustible à membrane d’échange de protons par approche hybride » aura lieu le lundi 16 Décembre à 14h00 en salle C002 (salle des thèses) à l’ENSEEIHT (2 rue Charles Camichel 31000 Toulouse).

Un lien zoom est disponible pour ceux qui veulent suivre à distance : https://inp-toulouse-fr.zoom.us/j/94861871787

Composition du jury :

Mme Anne GÉGOUT-PETIT, Rapporteure, Université de Lorraine – IECL

Mme Catherine CADET, Rapporteure, Université Grenoble Alpes – GIPSA-lab

Mme Nadia YOUSFI STEINER, Examinatrice, Université Franche-Comté – FEMTO-ST

M. Nicolas SAVY, Directeur de thèse, Université Toulouse II Jean Jaurès – IMT

M. Antoine PICOT, Co-directeur de thèse, Institut National Polytechnique Toulouse – LAPLACE

Membres invités :

M. Amine JAAFAR, Co-encadrant, Toulouse INP
M. Pascal BARBIER, Vitesco Technologies France (Schaeffler)

Les travaux de thèse ont également été co-encadrés par M. Christophe TURPIN (LAPLACE) et M. Fabrice GAMBOA (IMT).

La soutenance sera suivie par un pot de thèse. La salle vous sera confirmée ultérieurement.

Résumé :

De manière à satisfaire à des exigences de plus en plus strictes en termes d’émissions de CO2, la pile à combustible (PàC) est considérée comme une technologie prometteuse pour la décarbonation du transport, notamment pour la mobilité lourde. Cependant, les obstacles liés à la durabilité des PàC restent une préoccupation majeure pour une adoption à grande échelle de cette technologie. La durabilité des PàC dépend principalement des dégradations rencontrées lors de son utilisation. Par conséquent, les mécanismes de prédiction du vieillissement doivent être intégrés aux stratégies de contrôle. Ancrée dans ce contexte, cette thèse a pour objectif de mettre en place une approche hybride pour la prédiction des processus de vieillissement d’une pile à combustible de technologie PEM (Proton Exchange Membrane). L’idée est de faire usage à la fois des lois physiques qui régissent la dynamique de ces systèmes et de modèles de prédiction d’apprentissage automatique quasi-interprétables.

Dans un premier temps, une approche modèle-modèle a été conduite. Cela consiste à confronter les données issues d’un modèle de simulation à d’autres approches de modélisation afin de vérifier si l’on retrouve des tendances considérés lors de la génération des données. Les données de simulation ont été générées afin de reproduire les différents phénomènes régissant le fonctionnement d’une PàC et émuler un comportement plausible de cette dernière. Elles contiennent notamment un changement de dynamique soudain représentant un défaut d’engorgement. Une méthode combinant identification paramétrique, modélisation dynamique et filtrage de Kalman a été développée. Bien que la plupart des paramètres aient été faciles à modéliser, le changement de dynamique a constitué un point délicat à prédire correctement. Une technique basée sur la détection d’un point de rupture et des simulations de Monte Carlo, couplée à un filtre de Kalman étendu, a été proposée pour estimer les paramètres, prédire la tension et estimer la durée de vie restante.

La deuxième partie de la modélisation porte sur une approche hybride pour la prédiction des performances futures d’un stack de pile à combustible PEM. Les données utilisées sont issues d’une campagne de vieillissement réalisée sous un profil de mission dynamique et des conditions opératoires variables. L’approche proposée repose sur une formulation simplifiée du modèle quasi-statique. Des lois d’évolution temporelle sont proposées pour certains paramètres liés aux pertes d’activation et aux pertes par diffusion. La résistance ohmique, dont dépend les pertes ohmiques, est modélisée par un algorithme de Machine Learning, les Random Forests. Pour estimer l’évolution des autres paramètres au cours du temps et prédire les tensions futures, ces méthodes sont couplées à un filtre de Kalman étendu. L’approche proposée est capable de capturer l’évolution temporelle de la tension au fur et à mesure que de nouvelles données sont disponibles. Globalement, les prédictions obtenues sont satisfaisantes.

Abstract:

In order to meet increasingly stringent requirements in terms of CO2 emissions, the fuel cell (FC) is seen as a promising technology for decarbonising transport, particularly for heavy mobility. However, the obstacles linked to the durability of FC remain a major concern for large-scale adoption of this technology. The durability of fuel cells depends mainly on the degradation encountered during use. Consequently, aging prediction mechanisms need to be integrated into control strategies. In this context, the aim of this thesis is to develop a hybrid approach for predicting the aging processes of a PEM (Proton Exchange Membrane) fuel cell. The idea is to combine the physical laws governing the dynamics of these systems with quasi-interpretable machine learning prediction models.

Initially, a model-model approach was conducted. This consists of comparing the data from a simulation model with other modeling approaches in order to ascertain whether the trends considered at the time the data was generated can be found. The simulation data was generated in order to reproduce the various phenomena governing the operation of a fuel cell and to emulate its plausible behaviour. In particular, they contain a sudden change in dynamics representing a flooding fault. A method combining parametric identification, dynamic modeling and Kalman filtering was developed. While most parameters were easy to model, the change in dynamics was a tricky point to predict correctly. A technique based on breakpoint detection and Monte Carlo simulations, combined with an extended Kalman filter, was proposed to estimate the parameters, predict the voltage and estimate the remaining lifetime.

The second part of the modeling concerns a hybrid approach for predicting the future performance of a PEM fuel cell stack. The data used come from an aging campaign carried out under a dynamic load profile and variable operating conditions. The proposed approach is based on a simplified formulation of the quasi-static model. Evolution laws are proposed for certain parameters related to activation losses and diffusion losses. The ohmic resistance, which determines the ohmic losses, is modeled by a Machine Learning algorithm called Random Forests. To estimate the evolution of the other parameters over time and predict future voltages, these methods are used together with an extended Kalman filter. The proposed approach is able to capture the temporal evolution of the voltage as new data becomes available. Overall, the predictions obtained are good.