iMOE : prédiction de la trajectoire de dégradation des batteries en seconde vie à l’aide d’un mélange d’experts interprétable

Pourquoi la seconde vie des batteries de voiture compte

Lorsque des millions de voitures électriques arrivent en fin de première vie, leurs batteries conservent encore une quantité surprenante d’énergie utilisable. Donner une seconde vie à ces batteries « retraitées » dans des systèmes de secours ou des micro‑réseaux de village pourrait réduire les coûts et le gaspillage au niveau mondial. Mais il y a un problème : personne ne sait vraiment à quelle vitesse une batterie d’occasion individuelle continuera de se dégrader, et une mauvaise estimation peut entraîner des pannes, des incendies ou des investissements gaspillés. Cette étude présente une nouvelle méthode pour prévoir comment une batterie d’occasion va vieillir en n’utilisant qu’un contrôle rapide et non destructif, ce qui pourrait transformer la réutilisation des batteries à grande échelle.

De la voiture au réseau : un problème de prédiction

Aujourd’hui, évaluer une batterie de voiture retraitée est lent, coûteux et souvent destructeur. Les méthodes traditionnelles démantèlent les cellules pour des tests en laboratoire ou les soumettent à des cycles complets de charge–décharge qui peuvent prendre des jours par pack. De nombreuses techniques avancées de capteurs restent confinées aux laboratoires de recherche. De plus, les usages en seconde vie — comme le stockage domestique ou les systèmes hors réseau — peuvent soumettre les batteries à des profils de charge, de décharge et de température très différents de ceux rencontrés en véhicule. Parce que l’usure d’une batterie dépend fortement de son passé et de son usage futur, la plupart des modèles à base de données échouent lorsqu’il manque des années d’historique ou lorsque les conditions d’exploitation changent. Le défi est d’examiner une batterie une seule fois, quel que soit son niveau de charge, et de prévoir néanmoins son avenir sanitaire sous de nouvelles conditions.

Un contrôle de santé rapide au lieu d’un long dossier médical

Les auteurs proposent une approche appelée mélange d’experts interprétable, ou iMOE, qui vise exactement cela. Plutôt que d’exiger de longs historiques, la méthode exploite des signaux faciles à collecter sur le terrain lors d’une seule charge contrôlée. Les techniciens chargent partiellement la batterie depuis l’état de charge dans lequel elle se trouve et la laissent ensuite au repos. À partir de la façon dont la tension évolue durant cette courte charge et la relaxation qui suit, le modèle extrait une poignée de caractéristiques physiquement motivées reflétant la résistance interne, la polarisation et la quantité de lithium utilisable restante. Ces indices condensés, associés à une description du profil d’usage futur prévu — par exemple les taux de charge et de décharge et la température — constituent l’entrée du système de prédiction.

Beaucoup de spécialistes, une prévision combinée

Dans iMOE, ces entrées sont traitées par un ensemble « d’experts » virtuels, chacun adapté à un type de dégradation de batterie typique. Certains ressemblent aux comportements de début de vie dominés par la croissance de films protecteurs sur les électrodes, d’autres captent l’épaississement de ce film en milieu de vie, et d’autres encore représentent des processus de fin de vie tels que le placage du lithium et la perte de matériau actif. Un module de routage examine les caractéristiques physiques et décide à quel degré pondérer chaque expert pour la batterie considérée, classifiant de fait son mode de dégradation dominant sans jamais voir son historique. La combinaison pondérée des sorties des experts forme une tendance à court terme de l’évolution probable de la capacité.

Projeter sur de nombreux cycles charge–décharge

La tendance à court terme seule ne suffit pas ; l’intensité du traitement auquel la batterie sera soumise en seconde vie compte aussi. Pour cela, un second module, un réseau de neurones récurrent, prend la tendance ainsi que le profil de charge futur prévu — cycle par cycle : taux de charge, taux de décharge et température — et propage la prédiction sur des dizaines à des centaines de cycles futurs. Testé sur trois grands jeux de données couvrant 295 cellules commerciales, 93 conditions d’exploitation et plus de 84 000 cycles, iMOE a prédit de manière constante des trajectoires complètes de capacité future avec des erreurs typiquement inférieures à 1–3 %, même lorsque les conditions futures étaient aléatoires ou que les batteries avaient fortement vieilli sous des usages passés inconnus. Il s’est aussi avéré plus rapide et plus efficace que les principaux modèles de prévision de séries temporelles tout en nécessitant moins de données d’entraînement.

Voir à l’intérieur de la boîte noire

Contrairement à de nombreux systèmes d’apprentissage automatique, iMOE est conçu pour être lisible par les scientifiques et ingénieurs des batteries. En examinant la façon dont le routeur attribue des poids aux différents experts au cours de la vie d’une cellule, les auteurs montrent que le modèle sépare naturellement les stades de dégradation précoce, intermédiaire et tardif, en accord avec des processus physiques connus. Les batteries retraitées avec un état de santé élevé ont tendance à être dirigées vers certains experts, tandis que les packs très usés en activent d’autres. Lorsque les chercheurs ont perturbé délibérément des caractéristiques physiques spécifiques ou forcé le routeur à utiliser de mauvais experts, les erreurs de prédiction ont augmenté, ce qui souligne que le système n’ajuste pas seulement des courbes mais est lié à un comportement interne signifiant.

Ce que cela signifie pour les systèmes énergétiques futurs

Concrètement, ce travail présente un moyen de dire, en millisecondes et sans long test, comment une batterie d’occasion est susceptible de vieillir dans son second emploi. Cette capacité pourrait permettre aux recycleurs, aux opérateurs de réseau et aux développeurs de projets de trier de gros volumes de cellules retraitées vers des rôles sûrs et adaptés — comme le stockage stationnaire durable versus des usages de courte durée — ou d’envoyer directement les packs à risque élevé au recyclage. Bien que la méthode repose encore sur des liens statistiques plutôt que sur une causalité physique complète et suppose que l’on connaisse sommairement les plans d’usage futurs, elle constitue un pas vers une réutilisation des batteries plus intelligente, plus sûre et plus économique, contribuant à prolonger la valeur des matériaux déjà extraits et fabriqués.

Citation: Huang, X., Tao, S., Liang, C. et al. iMOE: prediction of second-life battery degradation trajectory using interpretable mixture of experts. Nat Commun 17, 2549 (2026). https://doi.org/10.1038/s41467-026-69369-1

Mots-clés: batteries en seconde vie, prédiction de la dégradation des batteries, apprentissage automatique pour le stockage d’énergie, mélange d’experts, état de santé des batteries lithium‑ion