Réseau neuronal hybride léger avec régularisation de cohérence physique pour l’estimation de l’état de santé des batteries lithium‑ion

Pourquoi une meilleure connaissance de la santé des batteries compte

Avec la généralisation des voitures électriques, des batteries domestiques et des appareils électroniques portables, savoir combien de vie reste dans une batterie lithium‑ion devient aussi important que connaître le niveau d’essence dans un réservoir. Estimer la « santé » à long terme d’une batterie est toutefois délicat : elle s’use lentement selon la température, les habitudes de charge et des dizaines d’autres facteurs. Cette étude présente un nouveau type de réseau neuronal léger et conscient des lois physiques capable de suivre la santé des batteries de façon plus précise et efficace, ce qui pourrait rendre les futurs véhicules et appareils plus sûrs, moins coûteux à entretenir et plus faciles à surveiller en temps réel.

Le défi de suivre le vieillissement des batteries

Les fabricants de batteries et les constructeurs automobiles doivent prévoir comment la capacité d’une batterie s’estompera sur des centaines ou des milliers de cycles de charge‑décharge. Les méthodes purement axées sur les données, qui reposent uniquement sur l’apprentissage automatique, peuvent être très précises mais se comportent souvent comme des « boîtes noires » et peuvent échouer lorsque les conditions diffèrent des données d’entraînement. À l’inverse, les modèles basés sur la physique, fondés sur l’électrochimie, sont interprétables mais lents et lourds en calcul, ce qui pose problème pour les systèmes de gestion embarqués. Les auteurs soutiennent que les solutions de demain doivent combiner données et intuition physique de base tout en restant suffisamment légères pour fonctionner sur du matériel modeste.

Un réseau hybride qui respecte le comportement réel

Les chercheurs proposent un réseau amélioré hybride léger informé par la physique — IHPINN — spécialement conçu pour la prédiction de l’état de santé. Il repose sur deux sous‑réseaux coopérants. Un réseau « solution » transforme une description compacte de l’état de la batterie — tension, courant, température, indice de cycle — en une estimation de santé comprise entre 0 et 1. Un second réseau « dynamique » apprend comment cette valeur de santé doit évoluer dans le temps, jouant le rôle de gardien qui décourage des sauts irréalistes ou des reprises dans la courbe de vieillissement prédite. Plutôt que d’imposer des équations électrochimiques détaillées, le modèle encode des principes simples mais puissants : la santé de la batterie doit varier en douceur et, globalement, ne doit pas s’améliorer au fur et à mesure que la cellule vieillit.

Conception légère pour une utilisation en temps réel

Pour rendre cette approche hybride praticable, les auteurs repensent soigneusement des composants standards de réseaux neuronaux afin de réduire le coût de calcul. Ils remplacent de larges couches entièrement connectées par des transformations groupées et de faible rang qui réutilisent des paramètres, réduisant à la fois le nombre de poids et le nombre d’opérations mathématiques. Une unité d’activation adaptative combine deux types de réponses non linéaires et ajuste automatiquement son comportement à mesure que la batterie traverse différentes phases de vieillissement, aidant le réseau à apprendre des motifs complexes sans gradients instables. Un module d’attention partagé réduit encore la redondance en utilisant une projection unique pour décider quelles caractéristiques sont les plus importantes, ce qui permet au modèle de concentrer ses ressources sur les signaux les plus liés à la dégradation. Ensemble, ces choix permettent au réseau de rester compact tout en capturant des comportements de vieillissement à plusieurs échelles.

Mise à l’épreuve du modèle

L’équipe évalue l’IHPINN sur quatre jeux de données largement utilisés provenant de différents laboratoires, chimies et conditions d’utilisation. Dans tous les cas, le nouveau modèle prédit la santé plus précisément qu’un réseau neuronal informé par la physique classique tout en utilisant moins de paramètres, moins de mémoire et des temps d’entraînement plus courts. Par exemple, sur un jeu de données de l’Université des Sciences et Technologies de Huazhong, l’erreur quadratique moyenne diminue de plus de moitié, alors que le nombre de paramètres décroît d’environ un cinquième et que l’entraînement devient plus rapide. Des gains similaires apparaissent pour un jeu de données exigeant du Massachusetts Institute of Technology, qui inclut des stratégies de charge et des températures variées, ainsi que pour deux autres collections explorant différents types de cellules et régimes de cyclage. Des expériences d’ablation, où des composants individuels sont retirés, montrent que l’extraction de caractéristiques multi‑échelle et les activations adaptatives contribuent le plus à la précision, tandis que la pondération dynamique des termes de perte accélère la convergence.

Ce que cela signifie pour la technologie de tous les jours

Pour les non‑spécialistes, l’essentiel est que l’IHPINN offre un moyen de surveiller le vieillissement des batteries à la fois intelligent et économe. Il suit la santé conformément aux attentes de base — les batteries s’usent progressivement — sans nécessiter de simulations physiques lourdes ni de réseaux neuronaux surdimensionnés. En pratique, ce type de modèle pourrait être intégré dans les véhicules électriques, les systèmes de stockage stationnaires ou l’électronique grand public pour fournir des prévisions de durée de vie restantes plus fiables et prévenir les défaillances inattendues. Bien que le travail actuel ne capture pas encore entièrement la chimie détaillée à l’intérieur des cellules, il démontre que l’apprentissage automatique conscient de la physique, construit avec soin, peut trouver un équilibre précieux entre précision, transparence et efficacité, ouvrant la voie à une gestion des batteries plus digne de confiance dans les futurs systèmes énergétiques.

Citation: Zhang, P., Zhang, H., Zhou, J. et al. Lightweight hybrid neural network with physics consistency regularization for lithium-ion battery state of health estimation. Sci Rep 16, 12780 (2026). https://doi.org/10.1038/s41598-026-41913-5

Mots-clés: santé des batteries lithium‑ion, réseaux neuronaux informés par la physique, prévision de la dégradation des batteries, surveillance du stockage d’énergie, apprentissage automatique léger