Intelligence artificielle pour les matériaux à changement de phase

L’augmentation constante de la densité de puissance des dispositifs électroniques et des systèmes de stockage d’énergie, tels que les batteries lithium-ion, impose des exigences thermiques de plus en plus sévères. Le contrôle de la température constitue un enjeu essentiel pour garantir la fiabilité, la sécurité et la durabilité de ces systèmes. Parmi les solutions explorées, les matériaux à changement de phase (MCP) représentent une voie particulièrement prometteuse grâce à leur capacité à stocker et à restituer l’énergie thermique sous forme de chaleur latente lors des transitions solide–liquide. Leur intégration dans des systèmes passifs permet d’atténuer les pics de température et d’assurer un fonctionnement plus stable des composants. Cependant, les MCP présentent certaines limites, notamment leur faible conductivité thermique, qui restreint leur efficacité dans les régimes de fonctionnement intensifs. Pour pallier cette contrainte, l’introduction de nanoparticules hautement conductrices et l’ajout d’ailettes métalliques constituent des approches efficaces pour renforcer le transfert de chaleur. Néanmoins, la conception optimale de tels systèmes hybrides reste complexe en raison du grand nombre de paramètres influents et de leurs interactions non linéaires. Dans ce contexte, cette thèse s’inscrit dans une démarche visant à exploiter les outils de l’intelligence artificielle pour modéliser, interpréter et optimiser le comportement thermique des systèmes à base de MCP. La première étape a consisté à développer un modèle prédictif fondé sur les réseaux de neurones artificiels (ANN) pour estimer la conductivité thermique effective des MCP enrichis en nanoparticules à partir de bases de données issues de la littérature. Ce métamodèle a permis d’identifier les paramètres les plus influents sur la conductivité thermique à l’aide de la méthode SHAP, offrant ainsi une interprétation physique des relations non linéaires entre les caractéristiques des nanoparticules et la réponse thermique du matériau. La deuxième étape a porté sur l’optimisation d’un système de gestion thermique de batterie lithium-ion intégrant un MCP enrichi en nanoparticules de cuivre et équipé d’ailettes en aluminium. Une étude paramétrique tridimensionnelle a été menée sous ANSYS Fluent pour évaluer l’influence de paramètres clés tels que l’épaisseur du MCP, le nombre d’ailettes, la concentration en nanoparticules et la nature du matériau. Une campagne numérique de 450 configurations combinant les principaux paramètres de conception a été menée afin de constituer la base de données d’apprentissage d’un métamodèle ANN, conçu pour prédire la température maximale de la cellule et la fraction fondue moyenne du MCP. Ce modèle de substitution a ensuite été couplé à un algorithme génétique dans le cadre d’une optimisation déterministe, permettant d’identifier la configuration optimale du système tout en minimisant la température maximale et en maintenant une fusion partielle maîtrisée du matériau. Les résultats obtenus démontrent la pertinence du couplage ANN-GA, qui permet d’explorer efficacement l’espace de conception tout en réduisant le coût de calcul associé aux simulations numériques. L’analyse interprétable par SHAP a en outre permis de relier les tendances prédites à une compréhension physique approfondie des phénomènes thermiques. Cette thèse apporte ainsi une contribution originale à la modélisation et à l’optimisation assistées par intelligence artificielle des matériaux et dispositifs thermiques à base de MCP. Elle démontre le potentiel des approches d’optimisation de conception basées sur métamodèle pour accélérer la conception, améliorer les performances et renforcer la compréhension physique des systèmes de gestion thermique avancés. Les perspectives ouvertes par ce travail incluent l’extension de ces méthodes vers des optimisations multi-objectifs et fiabilistes intégrant les incertitudes liées aux matériaux et aux conditions de fonctionnement.