Thèse Modélisation avancée et optimisation par Intelligence Artificielle des procédés de fabrication d'

Sujet de thèse :
Dans le cadre du développement de nouvelles technologies de batteries, la doctorante aura pour mission de concevoir un cadre de modélisation multi-échelles dédié à la fabrication d'électrodes par voie sèche. Ce travail vise à simuler, comprendre et optimiser les interactions physiques et mécaniques des matériaux lors de la production, en couplant des méthodes de simulation numérique de pointe à des outils d'Intelligence Artificielle.

Contexte :
Le travail de recherche s'articulera autour de la simulation numérique et de la modélisation multi-physique, avec le développement et l'implémentation de modèles basés sur la méthode des éléments discrets (DEM). Ces modèles permettront d'analyser la dynamique granulaire, le mélange des poudres et les interactions entre particules à l'échelle mésoscopique. En complément, des modèles reposant sur la méthode des éléments finis (FEM) seront mis en place pour simuler le comportement mécanique, la compression et la structuration finale des électrodes à l'échelle macroscopique. Cette modélisation des différentes étapes du procédé s'appuiera sur l'exploitation experte des logiciels LIGGGHTS, LAMMPS et COMSOL Multiphysics.

L'optimisation des procédés s'effectuera en étroite synergie avec le consortium de recherche. La mission impliquera la collecte, la structuration et l'analyse des données expérimentales fournies par les différents partenaires. Une boucle d'optimisation orientée par les données sera développée pour corréler les paramètres de modélisation numériques avec les résultats expérimentaux. L'objectif final sera d'identifier les jeux de paramètres optimaux, tels que la formulation, la pression ou la vitesse, afin d'améliorer significativement l'efficacité du procédé dry process et d'orienter les futures campagnes expérimentales du consortium.