Sujet de stage
Titre :
Optimisation de l'entraînement de réseaux de neurones pour l'estimation d'état de charge d'une batterie
Dates :
2024/04/02 - 2024/09/30
Encadrant(s) :
Autre(s) encadrant(s) :
CLAUSEL Marianne (marianne.clausel@univ-lorraine.fr)
, Daniel Monier-Reyes
Description :
Contexte : La demande économique mondiale en accumulateurs électrochimiques est de plus en plus importante de nos jours. Cet essor est principalement
dû à l'émergence des véhicules hybrides et électriques (Hybrid-Electric Vehicle, Plug-in Hybrid Electric Vehicle et Battery-Electric Vehicle) d'une part, et
au marché de stockage de l'énergie en lien avec les énergies renouvelables et la gestion des réseaux électriques d'autre part.
SAFT est particulièrement présent dans ce contexte en tant que précurseur du déploiement de batteries lithium. SAFT produit entre autres, des batteries
lithium-ion à Poitiers, Nersac et Bordeaux. Ce stage, financé par SAFT, se déroulera au sein du CRAN à Vandoeuvre-lès-Nancy.
Description du sujet : L'objectif sera ici d'étudier le problème d'estimation de l'état de charge de batteries industrielles à l'aide de réseaux de neurones. La
question centrale sera celle de la recherche d'architectures optimales, soit de manière automatique (Neural Architecture Search, AutoML) ou de manière
plus classique. Le travail sera complété par une étude de l'impact du choix de l'architecture sur les incertitudes d'estimations
Plan de l'étude : La première étape consistera à s'approprier le travail déjà réalisé dans l'entreprise SAFT, ou des modèles de réseaux de neurones seq2seq
ont déjà été développés pour résoudre le problème
Dans un deuxième temps, le stagiaire investiguera les différentes méthodes up-to-date de recherche d'architecture (Neural Architecture Search, Auto ML)
La dernière étape consistera à modifier les différentes architectures pour rajouter des contraintes incluant un contrôle de l'incertitude d'estimation
Références bibliographiques :
[1] Elsken, Thomas, Jan Hendrik Metzen, and Frank Hutter. "Neural architecture search: A survey." The Journal of Machine Learning Research 20.1 (2019):
1997-2017.
[2] Kabir HD, Khosravi A, Hosen MA, Nahavandi S. Neural network-based uncertainty quantification: A survey of methodologies and applications. IEEE
access. 2018 Jun 4;6:36218-34.
dû à l'émergence des véhicules hybrides et électriques (Hybrid-Electric Vehicle, Plug-in Hybrid Electric Vehicle et Battery-Electric Vehicle) d'une part, et
au marché de stockage de l'énergie en lien avec les énergies renouvelables et la gestion des réseaux électriques d'autre part.
SAFT est particulièrement présent dans ce contexte en tant que précurseur du déploiement de batteries lithium. SAFT produit entre autres, des batteries
lithium-ion à Poitiers, Nersac et Bordeaux. Ce stage, financé par SAFT, se déroulera au sein du CRAN à Vandoeuvre-lès-Nancy.
Description du sujet : L'objectif sera ici d'étudier le problème d'estimation de l'état de charge de batteries industrielles à l'aide de réseaux de neurones. La
question centrale sera celle de la recherche d'architectures optimales, soit de manière automatique (Neural Architecture Search, AutoML) ou de manière
plus classique. Le travail sera complété par une étude de l'impact du choix de l'architecture sur les incertitudes d'estimations
Plan de l'étude : La première étape consistera à s'approprier le travail déjà réalisé dans l'entreprise SAFT, ou des modèles de réseaux de neurones seq2seq
ont déjà été développés pour résoudre le problème
Dans un deuxième temps, le stagiaire investiguera les différentes méthodes up-to-date de recherche d'architecture (Neural Architecture Search, Auto ML)
La dernière étape consistera à modifier les différentes architectures pour rajouter des contraintes incluant un contrôle de l'incertitude d'estimation
Références bibliographiques :
[1] Elsken, Thomas, Jan Hendrik Metzen, and Frank Hutter. "Neural architecture search: A survey." The Journal of Machine Learning Research 20.1 (2019):
1997-2017.
[2] Kabir HD, Khosravi A, Hosen MA, Nahavandi S. Neural network-based uncertainty quantification: A survey of methodologies and applications. IEEE
access. 2018 Jun 4;6:36218-34.
Mots clés :
Machine learning, batteries, python, optimisation, architecture de réseaux de neurones
Conditions :
Ce stage se déroulera au CRAN, UMR CNRS 7039, Vandoeuvre-lès-Nancy (54).
Département(s) :
| Biologie, Signaux et Systèmes en Cancérologie et Neurosciences |
Financement :
Financée par SAFT