Modélisation de l’électrochimie de la batterie avec PDE : du modèle unique aux modèles complets

La modélisation électrochimique de la batterie à l’aide d’équations aux dérivées partielles (PDES) fournit une simulation haute fidélité du comportement des cellules lithium-ion. Le Modèle de particules uniques (SPM) offre une efficacité de calcul pour les applications en temps réel, tandis que le modèle Doyle-Fuller-Newman (DFN) capture la dynamique électrolytique complète pour les scénarios de haute puissance. Ce guide couvre les équations régissant, la mise en œuvre avec FIPY et les techniques de validation pour les deux approches.

Introduction

La simulation de batterie lithium-ion repose sur des modèles basés sur la physique qui décrivent les processus électrochimiques couplés à l’intérieur de la cellule. Ces modèles constituent la base des systèmes de gestion de batterie (BMS), de l’optimisation de la conception et de la prédiction des performances. Le choix entre les modèles simplifiés et les modèles de pleine fidélité implique de trader la vitesse de calcul contre la précision, une décision qui a un impact sur tout, des contrôleurs embarqués aux simulations de recherche.

Cet article fournit un guide pratique de la modélisation électrochimique des batteries à l’aide de PDE, couvrant :

• Le cadre mathématique derrière les modèles P2D/DFN
• Simplifications conduisant au modèle à une seule particule
• Stratégies de mise en œuvre à l’aide de la bibliothèque de volumes finis
• Quand choisir le SPM par rapport au DFN en fonction de votre application
• Défis communs dans l’estimation et la validation des paramètres

Le cadre PDE : modèle P2D/DFN

Le modèle pseudo-bidimensionnel (P2D), également connu sous le nom de modèle Doyle-Fuller-Newman (DFN), représente l’étalon-or pour la simulation de batterie basée sur la physique. Il capture les phénomènes de transport à travers l’épaisseur de la cellule (direction x) et dans les particules individuelles d’électrode (direction R), d’où « pseudo-2D » [^1][^2].

Les équations régissant les cœurs

Le modèle P2D complet consiste en quatre PDE non linéaires couplées décrivant les lois de conservation dans les phases solides et électrolytiques [^3][^4] :

1. Diffusion en phase solide (deuxième loi de Fick)

Intercalation au lithium dans des particules actives sphériques :

$$
frac{partial C_S}{partial t} = frac{d_s}{r^2} frac{partial r}left(r^2 C_S}{partielle r}droite)
$$

où :

• $C_S$ = concentration de lithium solide (mol/m³)
• $D_S$ = Diffusivité en phase solide (m²/s)
• $R$ = Coordonnée radiale dans la particule

Conditions aux limites :

• Centre ($r = 0$) : $frac{c_s partiel}{partial r} = 0$ (symétrie)
• Surface ($r = r_s$) : $-d_s frac{c_s partiel}{partial r} = frac{j_{li}}{f}$

2. Transport de concentration d’électrolytes

Mouvement lithium-ion à travers les pores électrolytiques :

$$
varepsilon_e frac{c_e {partial t} = nabla cdot (d_{e,eff} nabla C_e) + frac{1 – t_0^+}{f} j_{li}
$$

où :

• $varepsilon_e$ = porosité électrolytique
• $C_E$ = concentration d’électrolytes (mol/m³)
• $d_{e,eff}$ = diffusivité électrolytique effective (m²/s)
• $T_0^+$ = numéro de transfert de cations
• $J_{li}$ = flux de parois des pores (a/m²)

3. Potentiel de phase solide (loi d’Ohm)

Matrice de flux de courant à travers les électrodes :

$$
i_s = -sigma_{eff} nabla phi_s, quad nabla cdot i_s = -j_{li}
$$

où :

• $sigma_{eff}$ = conductivité électronique efficace (S/M)
• $Phi_S$ = potentiel solide (v)

4. Potentiel de phase électrolytique

Transport d’ions en électrolyte :

$$
i_e = -kappa_{eff} nabla phi_e + frac{2kappa_{eff}rt {f}(1 – t_0^+) nabla ln c_e, quad nabla cdot i_e = j_{li}
$$

où :

• $kappa_{eff}$ = conductivité ionique effective (S/M)
• $Phi_e$ = potentiel électrolytique (v)
• $R$ = Constante de gaz universelle (8,314 J/(mol·K))
• $t$ = température (k)
• $F$ = Constante de Faraday (96485 C/mol)

Couplage par Butler-Volmer Kinetics

Le flux de réaction $J_{li}$ couple les solides et les électrolytes via une cinétique électrochimique :

$$
J_{li} = a_s i_0 left[expleft(frac{alpha_a F eta}{RT}right) – expleft(-frac{alpha_c F eta}{RT}right) right]
$$

où :

• $A_S$ = Zone interfaciale spécifique (m²/m³)
• $i_0$ = densité de courant d’échange (A/m²)
• $alpha_a, alpha_c$ = coefficients de transfert anodique/cathodique
• $eta = phi_s – phi_e – u(c_s)$ = surpotentiel (v)
• $U(C_S)$ = Tension en circuit ouvert (V), fonction de la concentration en surface

Tension terminale est obtenue à partir de la différence de potentiel à travers la cellule :

$$
v(t) = phi_s(l,t) – phi_s(0,t) – r_{film} i_{app}(t)
$$

où $L$ est l’épaisseur totale de la cellule et $r_{film}$ compte pour les résistances de contact [^5].

Conditions aux limites

Des conditions aux limites appropriées sont essentielles pour les problèmes de PDE bien posés [^6] :

Le système P2D complet comprend 17 PDE couplées et équations algébriques lors de la prise en compte des deux électrodes, de l’électrolyte et de plusieurs particules [^7].

Approche simplifiée : modèle de particules uniques (SPM)

Le Modèle à particules uniques (SPM) réduit le coût de calcul en effectuant deux simplifications clés [^8][^9] :

1. Distribution de courant uniforme : chaque électrode est représentée par une seule particule sphérique, en supposant une densité de courant de réaction uniforme à travers l’épaisseur de l’électrode.
2. Dynamique des électrolytes négligés : la concentration d’électrolyte et les gradients potentiels sont supposés uniformes ou constants.

Simplification mathématique

Le SPM ne conserve que la PDE de diffusion en phase solide pour chaque électrode :

$$
frac{partial C_S}{partial t} = frac{d_s}{r^2} frac{partial r}left(r^2 C_S}{partielle r}droite)
$$

La tension terminale simplifie :

$$
v(t) = u(c_{s,surf}^{pos}) – u(c_{s,surf}^{neg}) – r_{int} cdot i_{app}(t)
$$

où $r_{int}$ est une résistance interne regroupée (souvent constante ou empirique).

Avantage de calcul : la SPM réduit le système de 17 équations couplées à essentiellement 2 Diffusion PDE (une par électrode), la durée de simulation de coupe de 10-100 × [^10].

Quand utiliser SPM

Le SPM est approprié pour [^11] :

• Systèmes de gestion de la batterie (BMS) : Estimation SOC/SOH en temps réel sur le matériel embarqué
• Taux C faibles à modérés : < ; 1C décharge où les variations de concentration d’électrolytes sont minimes
• Conception de contrôleurs : itération rapide lors du développement d’algorithmes
• Études de conception préliminaires : balayages rapides des paramètres avant de s’engager sur le DFN complet

Limites de précision : le SPM ne capture pas l’affaissement de la tension à des taux élevés, les effets de déplétion électrolytique et les gradients de concentration localisés. Pour les applications de charge 3C ou de puissance, les erreurs dépassent 5 à 10 % [^12].

SPM étendu (SPME)

Le Modèle à particules uniques avec électrolyte (SPME) ajoute une équation de dynamique électrolytique groupée, pontant SPM et DFN. Il capture les variations modérées de la concentration d’électrolytes sans traitement PDE complet, offrant une meilleure précision à ~2-3 × le coût du SPM [^13].

Pleine fidélité : modèle Doyle-Fuller-Newman (DFN)

Le DFN Model met en œuvre la théorie poreuse-électrode complète, résolvant le transport dans les phases solides et liquides à travers la pile de cellules [^1][^2].

Système complet de PDE

Le DFN conserve les quatre familles PDE :

1. Diffusion solide (2 PDE : anode + particules de cathode)
2. Concentration d’électrolytes (1 PDE sur l’épaisseur de la cellule)
3. Possibilité solide (2 PDE : anode + cathode)
4. Possibilité d’électrolyte (1 PDE sur l’épaisseur de la cellule)

Plus contraintes algébriques :

• Cinétique de Butler-Volmer aux surfaces des particules
• Loi sur la tension de Kirchhoff pour la tension aux bornes
• Limites de conservation actuelles

Total : ~6-8 PDE selon la formulation (certaines combinent/éliminent les variables).

Lorsque DFN est requis

Utilisez DFN pour [^14] :

• Applications à haut débit : > ; Chargement/décharge 2C là où les gradients d’électrolyte dominent
• Conception d’électrodes détaillées : optimisation de l’épaisseur, de la porosité, des distributions de la taille des particules
• Vieillissement et dégradation : la croissance du SEI, le placage au lithium dépendent des conditions locales
• Couplage thermique : les gradients de température interagissent avec les processus électrochimiques
• Référence de validation : modèles de référence à ordre réduit par rapport à la vérité haute fidélité

Coût de calcul : les simulations DFN peuvent être 10-100 × plus lentes que le SPM, nécessitant une optimisation numérique minutieuse (schémas implicites, maillage adaptatif) [^15].

Implémentation avec Fipy

FIPY est un solveur de volume fini python open source idéal pour les PDES de batterie en raison de sa manipulation de maillage flexible et de ses termes de diffusion/réaction intégrés [^16].

Configuration du problème P2D

Une implémentation FIPY minimale suit ces étapes :

from fipy import CellVariable, Grid2D, TransientTerm, DiffusionTerm

# 1. Define 2D mesh (x: cell thickness, r: particle radius)
mesh = Grid2D(dx=dx, dy=dr, nx=100, ny=50)

# 2. Create solution variables
c_s = CellVariable(name="solid_concentration", mesh=mesh, hasOld=True)
phi_s = CellVariable(name="solid_potential", mesh=mesh)
c_e = CellVariable(name="electrolyte_concentration", mesh=mesh)
phi_e = CellVariable(name="electrolyte_potential", mesh=mesh)

# 3. Define governing equations
eq_s = (TransientTerm(var=c_s) == 
       DiffusionTerm(coeff=D_s, var=c_s))

eq_phi_s = (ImplicitSourceTerm(coeff=sigma_eff, var=phi_s) == 
            -j_Li)  # reaction source

# 4. Add boundary conditions
c_s.faceGrad.constraint = ...  # particle surface flux
phi_s.constraint[boundary_id] = ...  # applied voltage

# 5. Time stepping
for step in range(num_steps):
    c_s.updateOld()
    eq_s.solve(var=c_s, dt=dt)
    # ... solve coupled equations sequentially or fully coupled

Conseils pratiques de mise en œuvre

Basé sur la fvbattpy implémentation de référence [^17] :

1. Stratégie de maillage : affiner les interfaces proches des électrodes/électrolytes où les gradients sont raides
2. Approche de couplage : utilisez des solveurs itératifs en bloc (Gauss-Seidel) ou Newton-Raphson pour un couplage complet
3. Steping de temps : contrôle du temps adaptatif pendant les transitoires ; Schémas explicites instables pour la diffusion
4. Initialisation : commencez par l’équilibre (OCV) pour éviter la divergence du solveur
5. Fichiers de paramètres : stockez les propriétés des matériaux dans la configuration structurée (yaml/json) pour la reproductibilité

Exemple complet de FIPY

Le FVBATTPY GitHub Repository fournit une implémentation P2D complète avec :

• Géométrie multicouche (anode|séparateur|cathode)
• Cinétique de réaction de Butler-Volmer
• Jeux de paramètres pour les chimies courantes (NMC, LFP, Graphite)
• Pilotes de simulation pour les profils courants/tensions constants
• Visualisation et post-traitement

Ce code de référence présente les meilleures pratiques pour la gestion :

• Propriétés des matériaux variables (diffusivité dépendante de la concentration)
• Déplacement des problèmes de limites (gonflement des particules)
• Extensions de couplage thermique

Comparaison de modèles : SPM vs DFN

Le compromis entre Vitesse et Précision détermine la sélection du modèle [^11][^12] :

Cadre de décision

Suivez cet organigramme pour la sélection du modèle :

High-power application (>2C)? ──Yes──> Use DFN
       │
      No
       │
Real-time embedded control? ──Yes──> Use SPM or SPMe
       │
      No
       │
Parameter estimation available? ──No──> Start with SPM, validate later
       │
      Yes
       │
Computational budget充足? ──Yes──> Use DFN for highest fidelity
       │
      No
       │
Use SPMe (middle ground)

Recommandation : comparez toujours le modèle que vous avez choisi par rapport aux données expérimentales ou une simulation DFN fiable avant le déploiement [^14].

Défis pratiques

Estimation des paramètres

Les modèles PDE nécessitent de nombreux paramètres physiques [^18] :

• Phase solide : $D_S$, $A_S$, $I_0$, $U(C)$
• Électrolyte : $d_{e,eff}(varepsilon)$, $kappa_{eff}(varepsilon, c_e)$, $t_0^+$
• Géométrique : épaisseurs d’électrodes, rayons de particules, porosités
• Transports : Exposants de Bruggeman pour des propriétés efficaces

Défis clés [^19] :

1. paramétrage de la sur-paramétrage : différentes combinaisons de paramètres produisent des sorties de tension similaires, ce qui rend difficile une identification unique.
2. Dépendance à l’état : les paramètres varient avec le SOC, la température, le vieillissement ; Exiger des ensembles de données complets
3. Difficile de mesure : certains paramètres (par exemple, $I_0$, $D_S$) nécessitent un équipement de laboratoire spécialisé (EIS, GITT)
4. Frais de calcul : chaque évaluation de paramètres nécessite une résolution complète de la PDE ; Les boucles d’optimisation deviennent coûteuses

Stratégies d’atténuation :

• Analyse de sensibilité : identifier et estimer uniquement les paramètres influents ; Réparer les autres de la littérature
• Modèles d’ordre réduit : utilisez le SPM/SPME pour l’estimation des paramètres, puis le transfert vers DFN
• Méthodes hybrides : combinez des modèles basés sur la physique avec des substituts d’apprentissage automatique pour une optimisation plus rapide
• Estimation en plusieurs étapes : estimer les paramètres groupés en premier (résistance interne), puis électrochimiques [^20]

Gestion des coûts informatiques

Les résolutions DFN complètes restent chères. Stratégies pour réduire le temps d’exécution :

1. Optimisation du maillage : maillage grossier dans le séparateur, raffiné dans les électrodes ; 1D au lieu de 2D complet
2. Steping de temps : $delta t$ adaptatif (grand pendant l’équilibre, petit pendant les transitoires)
3. Sélection de solveur : utiliser des schémas implicites (BDF) ; PETSC pour les résolutions parallèles
4. Réduction de l’ordre des modèles : décomposition orthogonale appropriée (POD) ou modélisation de substitution
5. Accélération matérielle : solveurs portatifs GPU (variantes FIPY compatibles CUDA)

Pour les simulations 1C typiques, le DFN optimisé s’exécute 5-30 minutes sur les CPU modernes ; SPM se termine en secondes [^21].

Validation et vérification du modèle

V&V garantit que votre simulation correspond à la réalité [^22][^23] :

Vérification (résolution des équations correctement) :

• Examen du code et tests unitaires
• Comparez avec des solutions analytiques (p. ex., diffusion à flux constant)
• Études sur l’indépendance du maillage (affiner jusqu’à ce que les résultats convergent)
• Cas dégénérés : états à courant nul, entièrement chargés/déchargés

Validation (résolution des équations correctes) :

• Comparer la tension/courant simulé avec les données de cycles expérimentaux
• Utilisez des profils standards : USABC, FUDS, DST Cycles de conduite
• Mesures d’erreur : RMSE < ; 50 mV pour la tension ; Mape < 2 % pour le SoC
• Quantification de l’incertitude des paramètres : intervalles de confiance sur les prédictions

Protocole de validation recommandée :

1. Tests statiques : caractérisation OCV, HPPC (caractérisation de la puissance d’impulsion hybride) pour la résistance
2. Tests dynamiques : décharges à courant constant à plusieurs taux C (0,2 c, 1 c, 2 c)
3. Variation de température : répéter à 10 °C, 25 °C, 40 °C pour tester le couplage thermique
4. Données vieillissantes : suivre la fade de la capacité sur plus de 100 cycles pour les modèles de dégradation

Outils : boîte à outils de la batterie Matlab/Simulink, Pybamm ou des scripts Fipy personnalisés avec importation de données expérimentales.

Conclusion et prochaines étapes

La modélisation électrochimique des batteries avec PDE offre un pont puissant entre la physique fondamentale et l’ingénierie pratique. Le choix entre SPM et DFN dépend de votre compromis spécifique entre l’efficacité de calcul et la fidélité de simulation :

• SPM : BMS en temps réel, prototypage de contrôleur, exploration rapide de la conception
• DFN : validation haute fidélité, optimisation détaillée de la conception, études sur le vieillissement

Mise en route :

1. Expérience avec pybamm : fournit des implémentations SPM, SPME et DFN prêtes à l’emploi avec de nombreuses bibliothèques de paramètres [^24]
2. Explorez fvbattpy : étudiez le code P2D basé sur Fipy pour la personnalisation et l’extension
3. Marquez votre application : validez les prédictions du modèle par rapport à votre chimie cellulaire et aux conditions d’exploitation spécifiques
4. Estimation des paramètres du maître : investir dans la caractérisation expérimentale ou utiliser des ensembles de données publiques (par exemple, les données de la batterie de la NASA)
5. Mise en œuvre du flux de travail V&V : créez des tests automatisés pour détecter la dégradation des modèles au fil du temps.

Références

[^1] : Doyle, M., Fuller, T. F. et Newman, J. (1993). Modélisation de la charge galvanostatique et de la décharge de la cellule lithium/polymère/insertion. Journal de la Société électrochimique, 140(6), 1526-1533.
[^2] : Newman, J., & Thomas-Alyea, K. E. (2012). Systèmes électrochimiques (3e éd.). Wiley.
[^3] : Zhu, G., et al. (2024). Un modèle électrochimique simplifié pour les batteries lithium-ion. Journal de chimie énergétique, 90, 521-533.
[^4] : Li, Y., et al. (2022). Un cadre de simplification de modèle de PDE pour les batteries tout-état solide. Université Chalmers.
[^5] : Moura, S. J., et al. (2015). Estimation et contrôle des modèles d’électrochimie des batteries. Didacticiel sur le CDC.
[^6] : Chen, Z., et al. (2022). Modélisation d’électrodes poreuses et ses applications aux batteries Li-ion. Physique des fluides, 34(8).
[^7] : Manzie, C., et al. (2015). Techniques de simplification pour les modèles de batteries Li-ion à base de PDE. Conférence de contrôle australienne.
[^8] : He, W., et al. (2024). Un modèle étendu à une seule particule de batteries lithium-ion. Journal de stockage d’énergie, 92, 112-129.
[^9] : Li, J., et al. (2017). Un modèle à une seule particule pour les batteries lithium-ion avec dynamique électrolytique. Journal de la Société électrochimique, 164(4), A755-A764.
[^10] : Perez, H. E., et al. (2016). Chargement optimal des batteries via un modèle à une seule particule. Opérations IEEE sur la technologie des systèmes de contrôle, 24(3), 952-964.
[^11] : Brosa Planella, F., et al. (2022). Un continuum de modèles de batteries lithium-ion basés sur la physique. Journal de physique : énergie, 4(2), 022001.
[^12] : Ali, H. A. A., et al. (2024). Une comparaison entre les modèles de batteries Li-ion basés sur la physique. Ordinateurs et génie chimique, 108, 108-125.
[^13] : Xue, C., et al. (2023). Un modèle amélioré à une seule particule utilisant un réseau de neurones basé sur la physique. Batteries, 9(10), 511.
[^14] : Paten, I. B., et al. (2026). Les modèles à double continuum de batteries au lithium-ion sont rapides et précis. Journal de la Société électrochimique, 193(1), 011504.
[^15] : Xu, S., et al. (2025). Convergence optimale dans l’analyse des erreurs semi-discrètes par éléments finis pour le modèle Doyle-Fuller-Newman. Ima Journal of Numeric Analysis.
[^16] : Manuel FIPY. Institut national des normes et de la technologie. 2024.
[^17] : Gopalakrishnan, K., et al. (2020). fvbattpy : modèle P2D Newman utilisant Fipy. GitHub.
[^18] : Guo, F., et al. (2026). Optimisation de l’estimation des paramètres pour les modèles de batteries électrochimiques. Journal des sources d’énergie, 625, 234-248.
[^19] : Kolluri, S., et al. (2022). Une approche de réservoirs en série pour estimer les paramètres des modèles de batterie. Journal de la Société électrochimique, 169(4), 040553.
[^20] : Moura, S. J., et al. (2015). Techniques d’estimation de PDE pour les systèmes de gestion de batterie avancés. Conférence de contrôle américain.
[^21] : Sachsenweger, T., et al. (2026). ChargeFabrica : un outil de différence finie basé sur Python pour la simulation de la batterie. Journal de physique : matériaux, 9(1), 025009.
[^22] : Horiba Fuelcon (2007). Test de vérification de la durée de vie de la technologie des batteries.
[^23] : Foles, A., et al. (2022). Validation d’un modèle de batterie commerciale lithium-ion. Open Research Europe, 2, 15.
[^24] : Documentation PYBAMM. Modélisation mathématique de la batterie Python. 2025.