{"id":1232,"date":"2026-08-21T14:28:38","date_gmt":"2026-08-21T14:28:38","guid":{"rendered":"https:\/\/matforge.org\/?p=1232","raw":"https:\/\/matforge.org\/?p=1232"},"modified":"2026-08-21T14:28:38","modified_gmt":"2026-08-21T14:28:38","slug":"battery-electrochemistry-modeling-pdes","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/","title":{"rendered":"Mod\u00e9lisation de l&rsquo;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets","raw":"Mod\u00e9lisation de l'\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>La mod\u00e9lisation \u00e9lectrochimique de la batterie \u00e0 l&rsquo;aide d&rsquo;\u00e9quations aux d\u00e9riv\u00e9es partielles (PDES) fournit une simulation haute fid\u00e9lit\u00e9 du comportement des cellules lithium-ion. Le <strong>Mod\u00e8le de particules uniques (SPM)<\/strong> offre une efficacit\u00e9 de calcul pour les applications en temps r\u00e9el, tandis que le mod\u00e8le <strong>Doyle-Fuller-Newman (DFN)<\/strong> capture la dynamique \u00e9lectrolytique compl\u00e8te pour les sc\u00e9narios de haute puissance. Ce guide couvre les \u00e9quations r\u00e9gissant, la mise en \u0153uvre avec FIPY et les techniques de validation pour les deux approches.<\/p>\n<h2>Introduction<\/h2>\n<p>La simulation de batterie lithium-ion repose sur des mod\u00e8les bas\u00e9s sur la physique qui d\u00e9crivent les processus \u00e9lectrochimiques coupl\u00e9s \u00e0 l&rsquo;int\u00e9rieur de la cellule. Ces mod\u00e8les constituent la base des syst\u00e8mes de gestion de batterie (BMS), de l&rsquo;optimisation de la conception et de la pr\u00e9diction des performances. Le choix entre les mod\u00e8les simplifi\u00e9s et les mod\u00e8les de pleine fid\u00e9lit\u00e9 implique de trader la vitesse de calcul contre la pr\u00e9cision, une d\u00e9cision qui a un impact sur tout, des contr\u00f4leurs embarqu\u00e9s aux simulations de recherche.<\/p>\n<p>Cet article fournit un guide pratique de la mod\u00e9lisation \u00e9lectrochimique des batteries \u00e0 l&rsquo;aide de PDE, couvrant&nbsp;:<\/p>\n<ul>\n<li>Le cadre math\u00e9matique derri\u00e8re les mod\u00e8les P2D\/DFN<\/li>\n<li>Simplifications conduisant au mod\u00e8le \u00e0 une seule particule<\/li>\n<li>Strat\u00e9gies de mise en \u0153uvre \u00e0 l&rsquo;aide de la biblioth\u00e8que de volumes finis<\/li>\n<li>Quand choisir le SPM par rapport au DFN en fonction de votre application<\/li>\n<li>D\u00e9fis communs dans l&rsquo;estimation et la validation des param\u00e8tres<\/li>\n<\/ul>\n<h2>Le cadre PDE : mod\u00e8le P2D\/DFN<\/h2>\n<p>Le mod\u00e8le <strong>pseudo-bidimensionnel (P2D)<\/strong>, \u00e9galement connu sous le nom de mod\u00e8le <strong>Doyle-Fuller-Newman (DFN)<\/strong>, repr\u00e9sente l&rsquo;\u00e9talon-or pour la simulation de batterie bas\u00e9e sur la physique. Il capture les ph\u00e9nom\u00e8nes de transport \u00e0 travers l&rsquo;\u00e9paisseur de la cellule (direction x) et dans les particules individuelles d&rsquo;\u00e9lectrode (direction R), d&rsquo;o\u00f9 \u00ab\u00a0pseudo-2D\u00a0\u00bb [^1][^2].<\/p>\n<h3>Les \u00e9quations r\u00e9gissant les c\u0153urs<\/h3>\n<p>Le mod\u00e8le P2D complet consiste en <strong>quatre PDE non lin\u00e9aires coupl\u00e9es<\/strong> d\u00e9crivant les lois de conservation dans les phases solides et \u00e9lectrolytiques [^3][^4]&nbsp;:<\/p>\n<p><strong>1. Diffusion en phase solide (deuxi\u00e8me loi de Fick)<\/strong><\/p>\n<p>Intercalation au lithium dans des particules actives sph\u00e9riques :<\/p>\n<p>$$<br \/> frac{partial C_S}{partial t} = frac{d_s}{r^2} frac{partial r}left(r^2 C_S}{partielle r}droite)<br \/> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$C_S$ = concentration de lithium solide (mol\/m\u00b3)<\/li>\n<li>$D_S$ = Diffusivit\u00e9 en phase solide (m\u00b2\/s)<\/li>\n<li>$R$ = Coordonn\u00e9e radiale dans la particule<\/li>\n<\/ul>\n<p><strong>Conditions aux limites&nbsp;:<\/strong><\/p>\n<ul>\n<li>Centre ($r = 0$)&nbsp;: $frac{c_s partiel}{partial r} = 0$ (sym\u00e9trie)<\/li>\n<li>Surface ($r = r_s$)&nbsp;: $-d_s frac{c_s partiel}{partial r} = frac{j_{li}}{f}$<\/li>\n<\/ul>\n<p><strong>2. Transport de concentration d&rsquo;\u00e9lectrolytes<\/strong><\/p>\n<p>Mouvement lithium-ion \u00e0 travers les pores \u00e9lectrolytiques :<\/p>\n<p>$$<br \/> varepsilon_e frac{c_e {partial t} = nabla cdot (d_{e,eff} nabla C_e) + frac{1 &#8211; t_0^+}{f} j_{li}<br \/> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$varepsilon_e$ = porosit\u00e9 \u00e9lectrolytique<\/li>\n<li>$C_E$ = concentration d&rsquo;\u00e9lectrolytes (mol\/m\u00b3)<\/li>\n<li>$d_{e,eff}$ = diffusivit\u00e9 \u00e9lectrolytique effective (m\u00b2\/s)<\/li>\n<li>$T_0^+$ = num\u00e9ro de transfert de cations<\/li>\n<li>$J_{li}$ = flux de parois des pores (a\/m\u00b2)<\/li>\n<\/ul>\n<p><strong>3. Potentiel de phase solide (loi d&rsquo;Ohm)<\/strong><\/p>\n<p>Matrice de flux de courant \u00e0 travers les \u00e9lectrodes&nbsp;:<\/p>\n<p>$$<br \/> i_s = -sigma_{eff} nabla phi_s, quad nabla cdot i_s = -j_{li}<br \/> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$sigma_{eff}$ = conductivit\u00e9 \u00e9lectronique efficace (S\/M)<\/li>\n<li>$Phi_S$ = potentiel solide (v)<\/li>\n<\/ul>\n<p><strong>4. Potentiel de phase \u00e9lectrolytique<\/strong><\/p>\n<p>Transport d&rsquo;ions en \u00e9lectrolyte :<\/p>\n<p>$$<br \/> i_e = -kappa_{eff} nabla phi_e + frac{2kappa_{eff}rt {f}(1 &#8211; t_0^+) nabla ln c_e, quad nabla cdot i_e = j_{li}<br \/> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$kappa_{eff}$ = conductivit\u00e9 ionique effective (S\/M)<\/li>\n<li>$Phi_e$ = potentiel \u00e9lectrolytique (v)<\/li>\n<li>$R$ = Constante de gaz universelle (8,314 J\/(mol\u00b7K))<\/li>\n<li>$t$ = temp\u00e9rature (k)<\/li>\n<li>$F$ = Constante de Faraday (96485 C\/mol)<\/li>\n<\/ul>\n<h3>Couplage par Butler-Volmer Kinetics<\/h3>\n<p>Le flux de r\u00e9action $J_{li}$ couple les solides et les \u00e9lectrolytes via une cin\u00e9tique \u00e9lectrochimique&nbsp;:<\/p>\n<p>$$<br \/> J_{li} = a_s i_0 left[expleft(frac{alpha_a F eta}{RT}right) &#8211; expleft(-frac{alpha_c F eta}{RT}right) right]<br \/> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$A_S$ = Zone interfaciale sp\u00e9cifique (m\u00b2\/m\u00b3)<\/li>\n<li>$i_0$ = densit\u00e9 de courant d&rsquo;\u00e9change (A\/m\u00b2)<\/li>\n<li>$alpha_a, alpha_c$ = coefficients de transfert anodique\/cathodique<\/li>\n<li>$eta = phi_s &#8211; phi_e &#8211; u(c_s)$ = surpotentiel (v)<\/li>\n<li>$U(C_S)$ = Tension en circuit ouvert (V), fonction de la concentration en surface<\/li>\n<\/ul>\n<p><strong>Tension terminale<\/strong> est obtenue \u00e0 partir de la diff\u00e9rence de potentiel \u00e0 travers la cellule&nbsp;:<\/p>\n<p>$$<br \/> v(t) = phi_s(l,t) &#8211; phi_s(0,t) &#8211; r_{film} i_{app}(t)<br \/> $$<\/p>\n<p>o\u00f9 $L$ est l&rsquo;\u00e9paisseur totale de la cellule et $r_{film}$ compte pour les r\u00e9sistances de contact [^5].<\/p>\n<h3>Conditions aux limites<\/h3>\n<p>Des conditions aux limites appropri\u00e9es sont essentielles pour les probl\u00e8mes de PDE bien pos\u00e9s [^6]&nbsp;:<\/p>\n<table>\n<thead>\n<tr>\n<th>Variable<\/th>\n<th>x=0 (CC n\u00e9gatif)<\/th>\n<th>X=L (CC positif)<\/th>\n<th>Surface des particules (r=rs)<\/th>\n<th>Centre de particules (r=0)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>$Phi_S$<\/td>\n<td>0 (r\u00e9f\u00e9rence)<\/td>\n<td>$v_{cell}(t)$ ou $i_{app}$<\/td>\n<td>Coupl\u00e9 via Butler-Volmer<\/td>\n<td>$frac{partielle C_S}{partielle r}=0$<\/td>\n<\/tr>\n<tr>\n<td>$C_E$<\/td>\n<td>$frac{partielle {partielle x}=0$<\/td>\n<td>$frac{partielle {partielle x}=0$<\/td>\n<td>$-D_SFrac{Partial C_S}{partielle R}=J_{li}\/f$<\/td>\n<td>$frac{partielle C_S}{partielle r}=0$<\/td>\n<\/tr>\n<tr>\n<td>$Phi_e$<\/td>\n<td>$frac{partial phi_e}{partielle x}=0$<\/td>\n<td>$frac{partial phi_e}{partielle x}=0$<\/td>\n<td><\/td>\n<td><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Le syst\u00e8me P2D complet comprend <strong>17 PDE coupl\u00e9es et \u00e9quations alg\u00e9briques<\/strong> lors de la prise en compte des deux \u00e9lectrodes, de l&rsquo;\u00e9lectrolyte et de plusieurs particules [^7].<\/p>\n<h2>Approche simplifi\u00e9e : mod\u00e8le de particules uniques (SPM)<\/h2>\n<p>Le <strong>Mod\u00e8le \u00e0 particules uniques (SPM)<\/strong> r\u00e9duit le co\u00fbt de calcul en effectuant deux simplifications cl\u00e9s [^8][^9]&nbsp;:<\/p>\n<ol>\n<li><strong>Distribution de courant uniforme<\/strong>&nbsp;: chaque \u00e9lectrode est repr\u00e9sent\u00e9e par une seule particule sph\u00e9rique, en supposant une densit\u00e9 de courant de r\u00e9action uniforme \u00e0 travers l&rsquo;\u00e9paisseur de l&rsquo;\u00e9lectrode.<\/li>\n<li><strong>Dynamique des \u00e9lectrolytes n\u00e9glig\u00e9s<\/strong>&nbsp;: la concentration d&rsquo;\u00e9lectrolyte et les gradients potentiels sont suppos\u00e9s uniformes ou constants.<\/li>\n<\/ol>\n<h3>Simplification math\u00e9matique<\/h3>\n<p>Le SPM ne conserve que la PDE de diffusion en phase solide pour chaque \u00e9lectrode :<\/p>\n<p>$$<br \/> frac{partial C_S}{partial t} = frac{d_s}{r^2} frac{partial r}left(r^2 C_S}{partielle r}droite)<br \/> $$<\/p>\n<p>La tension terminale simplifie :<\/p>\n<p>$$<br \/> v(t) = u(c_{s,surf}^{pos}) &#8211; u(c_{s,surf}^{neg}) &#8211; r_{int} cdot i_{app}(t)<br \/> $$<\/p>\n<p>o\u00f9 $r_{int}$ est une r\u00e9sistance interne regroup\u00e9e (souvent constante ou empirique).<\/p>\n<p><strong>Avantage de calcul<\/strong>&nbsp;: la SPM r\u00e9duit le syst\u00e8me de 17&nbsp;\u00e9quations coupl\u00e9es \u00e0 essentiellement <strong>2&nbsp;Diffusion PDE<\/strong> (une par \u00e9lectrode), la dur\u00e9e de simulation de coupe de 10-100&nbsp;\u00d7 [^10].<\/p>\n<h3>Quand utiliser SPM<\/h3>\n<p>Le SPM est appropri\u00e9 pour [^11]&nbsp;:<\/p>\n<ul>\n<li><strong>Syst\u00e8mes de gestion de la batterie (BMS)<\/strong>&nbsp;: Estimation SOC\/SOH en temps r\u00e9el sur le mat\u00e9riel embarqu\u00e9<\/li>\n<li><strong>Taux C faibles \u00e0 mod\u00e9r\u00e9s<\/strong>&nbsp;: &lt;&nbsp;; 1C d\u00e9charge o\u00f9 les variations de concentration d&rsquo;\u00e9lectrolytes sont minimes<\/li>\n<li><strong>Conception de contr\u00f4leurs<\/strong>&nbsp;: it\u00e9ration rapide lors du d\u00e9veloppement d&rsquo;algorithmes<\/li>\n<li><strong>\u00c9tudes de conception pr\u00e9liminaires<\/strong>&nbsp;: balayages rapides des param\u00e8tres avant de s&rsquo;engager sur le DFN complet<\/li>\n<\/ul>\n<p><strong>Limites de pr\u00e9cision<\/strong>&nbsp;: le SPM ne capture pas l&rsquo;affaissement de la tension \u00e0 des taux \u00e9lev\u00e9s, les effets de d\u00e9pl\u00e9tion \u00e9lectrolytique et les gradients de concentration localis\u00e9s. Pour les applications de charge 3C ou de puissance, les erreurs d\u00e9passent 5 \u00e0 10 % [^12].<\/p>\n<h3>SPM \u00e9tendu (SPME)<\/h3>\n<p>Le <strong>Mod\u00e8le \u00e0 particules uniques avec \u00e9lectrolyte (SPME)<\/strong> ajoute une \u00e9quation de dynamique \u00e9lectrolytique group\u00e9e, pontant SPM et DFN. Il capture les variations mod\u00e9r\u00e9es de la concentration d&rsquo;\u00e9lectrolytes sans traitement PDE complet, offrant une meilleure pr\u00e9cision \u00e0 ~2-3 \u00d7 le co\u00fbt du SPM [^13].<\/p>\n<h2>Pleine fid\u00e9lit\u00e9 : mod\u00e8le Doyle-Fuller-Newman (DFN)<\/h2>\n<p>Le <strong>DFN Model<\/strong> met en \u0153uvre la th\u00e9orie poreuse-\u00e9lectrode compl\u00e8te, r\u00e9solvant le transport dans les phases solides et liquides \u00e0 travers la pile de cellules [^1][^2].<\/p>\n<h3>Syst\u00e8me complet de PDE<\/h3>\n<p>Le DFN conserve les quatre familles PDE :<\/p>\n<ol>\n<li><strong>Diffusion solide<\/strong> (2 PDE : anode + particules de cathode)<\/li>\n<li><strong>Concentration d&rsquo;\u00e9lectrolytes<\/strong> (1 PDE sur l&rsquo;\u00e9paisseur de la cellule)<\/li>\n<li><strong>Possibilit\u00e9 solide<\/strong> (2 PDE : anode + cathode)<\/li>\n<li><strong>Possibilit\u00e9 d&rsquo;\u00e9lectrolyte<\/strong> (1 PDE sur l&rsquo;\u00e9paisseur de la cellule)<\/li>\n<\/ol>\n<p>Plus contraintes alg\u00e9briques :<\/p>\n<ul>\n<li>Cin\u00e9tique de Butler-Volmer aux surfaces des particules<\/li>\n<li>Loi sur la tension de Kirchhoff pour la tension aux bornes<\/li>\n<li>Limites de conservation actuelles<\/li>\n<\/ul>\n<p>Total : ~6-8 PDE selon la formulation (certaines combinent\/\u00e9liminent les variables).<\/p>\n<h3>Lorsque DFN est requis<\/h3>\n<p>Utilisez DFN pour [^14]&nbsp;:<\/p>\n<ul>\n<li><strong>Applications \u00e0 haut d\u00e9bit<\/strong>&nbsp;: &gt;&nbsp;; Chargement\/d\u00e9charge 2C l\u00e0 o\u00f9 les gradients d&rsquo;\u00e9lectrolyte dominent<\/li>\n<li><strong>Conception d&rsquo;\u00e9lectrodes d\u00e9taill\u00e9es<\/strong>&nbsp;: optimisation de l&rsquo;\u00e9paisseur, de la porosit\u00e9, des distributions de la taille des particules<\/li>\n<li><strong>Vieillissement et d\u00e9gradation<\/strong>&nbsp;: la croissance du SEI, le placage au lithium d\u00e9pendent des conditions locales<\/li>\n<li><strong>Couplage thermique<\/strong>&nbsp;: les gradients de temp\u00e9rature interagissent avec les processus \u00e9lectrochimiques<\/li>\n<li><strong>R\u00e9f\u00e9rence de validation<\/strong>&nbsp;: mod\u00e8les de r\u00e9f\u00e9rence \u00e0 ordre r\u00e9duit par rapport \u00e0 la v\u00e9rit\u00e9 haute fid\u00e9lit\u00e9<\/li>\n<\/ul>\n<p><strong>Co\u00fbt de calcul<\/strong>&nbsp;: les simulations DFN peuvent \u00eatre <strong>10-100&nbsp;\u00d7 plus lentes <\/strong> que le SPM, n\u00e9cessitant une optimisation num\u00e9rique minutieuse (sch\u00e9mas implicites, maillage adaptatif) [^15].<\/p>\n<h2>Impl\u00e9mentation avec Fipy<\/h2>\n<p><a href=\"https:\/\/pages.nist.gov\/fipy\/\">FIPY<\/a> est un solveur de volume fini python open source id\u00e9al pour les PDES de batterie en raison de sa manipulation de maillage flexible et de ses termes de diffusion\/r\u00e9action int\u00e9gr\u00e9s [^16].<\/p>\n<h3>Configuration du probl\u00e8me P2D<\/h3>\n<p>Une impl\u00e9mentation FIPY minimale suit ces \u00e9tapes :<\/p>\n<pre><code class=\"language-python\">from fipy import CellVariable, Grid2D, TransientTerm, DiffusionTerm\n\n# 1. Define 2D mesh (x: cell thickness, r: particle radius)\nmesh = Grid2D(dx=dx, dy=dr, nx=100, ny=50)\n\n# 2. Create solution variables\nc_s = CellVariable(name=\"solid_concentration\", mesh=mesh, hasOld=True)\nphi_s = CellVariable(name=\"solid_potential\", mesh=mesh)\nc_e = CellVariable(name=\"electrolyte_concentration\", mesh=mesh)\nphi_e = CellVariable(name=\"electrolyte_potential\", mesh=mesh)\n\n# 3. Define governing equations\neq_s = (TransientTerm(var=c_s) == \n       DiffusionTerm(coeff=D_s, var=c_s))\n\neq_phi_s = (ImplicitSourceTerm(coeff=sigma_eff, var=phi_s) == \n            -j_Li)  # reaction source\n\n# 4. Add boundary conditions\nc_s.faceGrad.constraint = ...  # particle surface flux\nphi_s.constraint[boundary_id] = ...  # applied voltage\n\n# 5. Time stepping\nfor step in range(num_steps):\n    c_s.updateOld()\n    eq_s.solve(var=c_s, dt=dt)\n    # ... solve coupled equations sequentially or fully coupled\n<\/code><\/pre>\n<h3>Conseils pratiques de mise en \u0153uvre<\/h3>\n<p>Bas\u00e9 sur la <strong>fvbattpy<\/strong>&nbsp;impl\u00e9mentation de r\u00e9f\u00e9rence [^17]&nbsp;:<\/p>\n<ol>\n<li><strong>Strat\u00e9gie de maillage<\/strong>&nbsp;: affiner les interfaces proches des \u00e9lectrodes\/\u00e9lectrolytes o\u00f9 les gradients sont raides<\/li>\n<li><strong>Approche de couplage<\/strong>&nbsp;: utilisez des solveurs it\u00e9ratifs en bloc (Gauss-Seidel) ou Newton-Raphson pour un couplage complet<\/li>\n<li><strong>Steping de temps<\/strong>&nbsp;: contr\u00f4le du temps adaptatif pendant les transitoires&nbsp;; Sch\u00e9mas explicites instables pour la diffusion<\/li>\n<li><strong>Initialisation<\/strong>&nbsp;: commencez par l&rsquo;\u00e9quilibre (OCV) pour \u00e9viter la divergence du solveur<\/li>\n<li><strong>Fichiers de param\u00e8tres<\/strong>&nbsp;: stockez les propri\u00e9t\u00e9s des mat\u00e9riaux dans la configuration structur\u00e9e (yaml\/json) pour la reproductibilit\u00e9<\/li>\n<\/ol>\n<h3>Exemple complet de FIPY<\/h3>\n<p>Le <a href=\"https:\/\/github.com\/krishnakumarg1984\/FVbattpy\">FVBATTPY GitHub Repository<\/a> fournit une impl\u00e9mentation P2D compl\u00e8te avec&nbsp;:<\/p>\n<ul>\n<li>G\u00e9om\u00e9trie multicouche (anode|s\u00e9parateur|cathode)<\/li>\n<li>Cin\u00e9tique de r\u00e9action de Butler-Volmer<\/li>\n<li>Jeux de param\u00e8tres pour les chimies courantes (NMC, LFP, Graphite)<\/li>\n<li>Pilotes de simulation pour les profils courants\/tensions constants<\/li>\n<li>Visualisation et post-traitement<\/li>\n<\/ul>\n<p>Ce code de r\u00e9f\u00e9rence pr\u00e9sente les meilleures pratiques pour la gestion :<\/p>\n<ul>\n<li>Propri\u00e9t\u00e9s des mat\u00e9riaux variables (diffusivit\u00e9 d\u00e9pendante de la concentration)<\/li>\n<li>D\u00e9placement des probl\u00e8mes de limites (gonflement des particules)<\/li>\n<li>Extensions de couplage thermique<\/li>\n<\/ul>\n<h2>Comparaison de mod\u00e8les : SPM vs DFN<\/h2>\n<p>Le compromis entre <strong>Vitesse<\/strong> et <strong>Pr\u00e9cision<\/strong> d\u00e9termine la s\u00e9lection du mod\u00e8le [^11][^12]&nbsp;:<\/p>\n<table>\n<thead>\n<tr>\n<th>Fonctionnalit\u00e9<\/th>\n<th>spm<\/th>\n<th>DFN<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>PDE r\u00e9solu<\/strong><\/td>\n<td>2 (diffusion solide uniquement)<\/td>\n<td>6-8 (syst\u00e8me coupl\u00e9 complet)<\/td>\n<\/tr>\n<tr>\n<td><strong>Co\u00fbt de calcul<\/strong><\/td>\n<td>Tr\u00e8s faible (secondes\/minutes)<\/td>\n<td>\u00c9lev\u00e9 (minutes\/heures)<\/td>\n<\/tr>\n<tr>\n<td><strong>Dynamique des \u00e9lectrolytes<\/strong><\/td>\n<td>N\u00e9glig\u00e9<\/td>\n<td>Plein<\/td>\n<\/tr>\n<tr>\n<td><strong>Pr\u00e9cision \u00e0 0,5&nbsp;c<\/strong><\/td>\n<td>&gt;&nbsp;;99&nbsp;%<\/td>\n<td>&gt;&nbsp;;99&nbsp;%<\/td>\n<\/tr>\n<tr>\n<td><strong>Pr\u00e9cision \u00e0 3&nbsp;C<\/strong><\/td>\n<td>90-95&nbsp;%<\/td>\n<td>&gt;&nbsp;;98&nbsp;%<\/td>\n<\/tr>\n<tr>\n<td><strong>Num\u00e9ration des param\u00e8tres<\/strong><\/td>\n<td>~10<\/td>\n<td>~30+<\/td>\n<\/tr>\n<tr>\n<td><strong>Meilleure pour BMS<\/strong><\/td>\n<td>Oui<\/td>\n<td>Limit\u00e9 (\u00e9talonnage hors ligne)<\/td>\n<\/tr>\n<tr>\n<td><strong>Optimisation de la conception<\/strong><\/td>\n<td>Pr\u00e9liminaire<\/td>\n<td>Validation finale<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h3>Cadre de d\u00e9cision<\/h3>\n<p>Suivez cet organigramme pour la s\u00e9lection du mod\u00e8le&nbsp;:<\/p>\n<pre><code>High-power application (&gt;2C)? \u2500\u2500Yes\u2500\u2500&gt; Use DFN\n       \u2502\n      No\n       \u2502\nReal-time embedded control? \u2500\u2500Yes\u2500\u2500&gt; Use SPM or SPMe\n       \u2502\n      No\n       \u2502\nParameter estimation available? \u2500\u2500No\u2500\u2500&gt; Start with SPM, validate later\n       \u2502\n      Yes\n       \u2502\nComputational budget\u5145\u8db3? \u2500\u2500Yes\u2500\u2500&gt; Use DFN for highest fidelity\n       \u2502\n      No\n       \u2502\nUse SPMe (middle ground)\n<\/code><\/pre>\n<p><strong>Recommandation<\/strong>&nbsp;: comparez toujours le mod\u00e8le que vous avez choisi par rapport aux donn\u00e9es exp\u00e9rimentales ou une simulation DFN fiable avant le d\u00e9ploiement [^14].<\/p>\n<h2>D\u00e9fis pratiques<\/h2>\n<h3>Estimation des param\u00e8tres<\/h3>\n<p>Les mod\u00e8les PDE n\u00e9cessitent de nombreux param\u00e8tres physiques [^18] :<\/p>\n<ul>\n<li><strong>Phase solide<\/strong>&nbsp;: $D_S$, $A_S$, $I_0$, $U(C)$<\/li>\n<li><strong>\u00c9lectrolyte<\/strong>&nbsp;: $d_{e,eff}(varepsilon)$, $kappa_{eff}(varepsilon, c_e)$, $t_0^+$<\/li>\n<li><strong>G\u00e9om\u00e9trique<\/strong>&nbsp;: \u00e9paisseurs d&rsquo;\u00e9lectrodes, rayons de particules, porosit\u00e9s<\/li>\n<li><strong>Transports<\/strong>&nbsp;: Exposants de Bruggeman pour des propri\u00e9t\u00e9s efficaces<\/li>\n<\/ul>\n<p><strong>D\u00e9fis cl\u00e9s<\/strong> [^19]&nbsp;:<\/p>\n<ol>\n<li><strong>param\u00e9trage de la sur-param\u00e9trage<\/strong>&nbsp;: diff\u00e9rentes combinaisons de param\u00e8tres produisent des sorties de tension similaires, ce qui rend difficile une identification unique.<\/li>\n<li><strong>D\u00e9pendance \u00e0 l&rsquo;\u00e9tat<\/strong>&nbsp;: les param\u00e8tres varient avec le SOC, la temp\u00e9rature, le vieillissement&nbsp;; Exiger des ensembles de donn\u00e9es complets<\/li>\n<li><strong>Difficile de mesure<\/strong>&nbsp;: certains param\u00e8tres (par exemple, $I_0$, $D_S$) n\u00e9cessitent un \u00e9quipement de laboratoire sp\u00e9cialis\u00e9 (EIS, GITT)<\/li>\n<li><strong>Frais de calcul<\/strong>&nbsp;: chaque \u00e9valuation de param\u00e8tres n\u00e9cessite une r\u00e9solution compl\u00e8te de la PDE&nbsp;; Les boucles d&rsquo;optimisation deviennent co\u00fbteuses<\/li>\n<\/ol>\n<p><strong>Strat\u00e9gies d&rsquo;att\u00e9nuation<\/strong>&nbsp;:<\/p>\n<ul>\n<li><strong>Analyse de sensibilit\u00e9<\/strong>&nbsp;: identifier et estimer uniquement les param\u00e8tres influents&nbsp;; R\u00e9parer les autres de la litt\u00e9rature<\/li>\n<li><strong>Mod\u00e8les d&rsquo;ordre r\u00e9duit<\/strong>&nbsp;: utilisez le SPM\/SPME pour l&rsquo;estimation des param\u00e8tres, puis le transfert vers DFN<\/li>\n<li><strong>M\u00e9thodes hybrides<\/strong>&nbsp;: combinez des mod\u00e8les bas\u00e9s sur la physique avec des substituts d&rsquo;apprentissage automatique pour une optimisation plus rapide<\/li>\n<li><strong>Estimation en plusieurs \u00e9tapes<\/strong>&nbsp;: estimer les param\u00e8tres group\u00e9s en premier (r\u00e9sistance interne), puis \u00e9lectrochimiques [^20]<\/li>\n<\/ul>\n<h3>Gestion des co\u00fbts informatiques<\/h3>\n<p>Les r\u00e9solutions DFN compl\u00e8tes restent ch\u00e8res. Strat\u00e9gies pour r\u00e9duire le temps d&rsquo;ex\u00e9cution :<\/p>\n<ol>\n<li><strong>Optimisation du maillage<\/strong>&nbsp;: maillage grossier dans le s\u00e9parateur, raffin\u00e9 dans les \u00e9lectrodes&nbsp;; 1D au lieu de 2D complet<\/li>\n<li><strong>Steping de temps<\/strong>&nbsp;: $delta t$ adaptatif (grand pendant l&rsquo;\u00e9quilibre, petit pendant les transitoires)<\/li>\n<li><strong>S\u00e9lection de solveur<\/strong>&nbsp;: utiliser des sch\u00e9mas implicites (BDF)&nbsp;; PETSC pour les r\u00e9solutions parall\u00e8les<\/li>\n<li><strong>R\u00e9duction de l&rsquo;ordre des mod\u00e8les<\/strong>&nbsp;: d\u00e9composition orthogonale appropri\u00e9e (POD) ou mod\u00e9lisation de substitution<\/li>\n<li><strong>Acc\u00e9l\u00e9ration mat\u00e9rielle<\/strong>&nbsp;: solveurs portatifs GPU (variantes FIPY compatibles CUDA)<\/li>\n<\/ol>\n<p>Pour les simulations 1C typiques, le DFN optimis\u00e9 s&rsquo;ex\u00e9cute <strong>5-30&nbsp;minutes<\/strong> sur les CPU modernes&nbsp;; SPM se termine en <strong>secondes<\/strong> [^21].<\/p>\n<h3>Validation et v\u00e9rification du mod\u00e8le<\/h3>\n<p>V&amp;V garantit que votre simulation correspond \u00e0 la r\u00e9alit\u00e9 [^22][^23]&nbsp;:<\/p>\n<p><strong>V\u00e9rification<\/strong> (r\u00e9solution des \u00e9quations correctement)&nbsp;:<\/p>\n<ul>\n<li>Examen du code et tests unitaires<\/li>\n<li>Comparez avec des solutions analytiques (p. ex., diffusion \u00e0 flux constant)<\/li>\n<li>\u00c9tudes sur l&rsquo;ind\u00e9pendance du maillage (affiner jusqu&rsquo;\u00e0 ce que les r\u00e9sultats convergent)<\/li>\n<li>Cas d\u00e9g\u00e9n\u00e9r\u00e9s&nbsp;: \u00e9tats \u00e0 courant nul, enti\u00e8rement charg\u00e9s\/d\u00e9charg\u00e9s<\/li>\n<\/ul>\n<p><strong>Validation<\/strong> (r\u00e9solution des \u00e9quations correctes)&nbsp;:<\/p>\n<ul>\n<li>Comparer la tension\/courant simul\u00e9 avec les donn\u00e9es de cycles exp\u00e9rimentaux<\/li>\n<li>Utilisez des profils standards : USABC, FUDS, DST Cycles de conduite<\/li>\n<li>Mesures d&rsquo;erreur&nbsp;: RMSE &lt;&nbsp;; 50 mV pour la tension ; Mape &lt; 2&nbsp;% pour le SoC<\/li>\n<li>Quantification de l&rsquo;incertitude des param\u00e8tres&nbsp;: intervalles de confiance sur les pr\u00e9dictions<\/li>\n<\/ul>\n<p><strong>Protocole de validation recommand\u00e9e<\/strong>&nbsp;:<\/p>\n<ol>\n<li><strong>Tests statiques<\/strong>&nbsp;: caract\u00e9risation OCV, HPPC (caract\u00e9risation de la puissance d&rsquo;impulsion hybride) pour la r\u00e9sistance<\/li>\n<li><strong>Tests dynamiques<\/strong>&nbsp;: d\u00e9charges \u00e0 courant constant \u00e0 plusieurs taux C (0,2&nbsp;c, 1&nbsp;c,&nbsp;2&nbsp;c)<\/li>\n<li><strong>Variation de temp\u00e9rature<\/strong> : r\u00e9p\u00e9ter \u00e0 10&nbsp;\u00b0C, 25&nbsp;\u00b0C, 40&nbsp;\u00b0C pour tester le couplage thermique<\/li>\n<li><strong>Donn\u00e9es vieillissantes<\/strong>&nbsp;: suivre la fade de la capacit\u00e9 sur plus de 100&nbsp;cycles pour les mod\u00e8les de d\u00e9gradation<\/li>\n<\/ol>\n<p><strong>Outils<\/strong>&nbsp;: bo\u00eete \u00e0 outils de la batterie Matlab\/Simulink, Pybamm ou des scripts Fipy personnalis\u00e9s avec importation de donn\u00e9es exp\u00e9rimentales.<\/p>\n<h2>Conclusion et prochaines \u00e9tapes<\/h2>\n<p>La mod\u00e9lisation \u00e9lectrochimique des batteries avec PDE offre un pont puissant entre la physique fondamentale et l&rsquo;ing\u00e9nierie pratique. Le choix entre SPM et DFN d\u00e9pend de votre compromis sp\u00e9cifique entre l&rsquo;efficacit\u00e9 de calcul et la fid\u00e9lit\u00e9 de simulation :<\/p>\n<ul>\n<li><strong>SPM<\/strong>&nbsp;: BMS en temps r\u00e9el, prototypage de contr\u00f4leur, exploration rapide de la conception<\/li>\n<li><strong>DFN<\/strong> : validation haute fid\u00e9lit\u00e9, optimisation d\u00e9taill\u00e9e de la conception, \u00e9tudes sur le vieillissement<\/li>\n<\/ul>\n<p><strong>Mise en route<\/strong>&nbsp;:<\/p>\n<ol>\n<li><strong>Exp\u00e9rience avec pybamm<\/strong>&nbsp;: fournit des impl\u00e9mentations SPM, SPME et DFN pr\u00eates \u00e0 l&#8217;emploi avec de nombreuses biblioth\u00e8ques de param\u00e8tres [^24]<\/li>\n<li><strong>Explorez fvbattpy<\/strong>&nbsp;: \u00e9tudiez le code P2D bas\u00e9 sur Fipy pour la personnalisation et l&rsquo;extension<\/li>\n<li><strong>Marquez votre application<\/strong>&nbsp;: validez les pr\u00e9dictions du mod\u00e8le par rapport \u00e0 votre chimie cellulaire et aux conditions d&rsquo;exploitation sp\u00e9cifiques<\/li>\n<li><strong>Estimation des param\u00e8tres du ma\u00eetre<\/strong>&nbsp;: investir dans la caract\u00e9risation exp\u00e9rimentale ou utiliser des ensembles de donn\u00e9es publiques (par exemple, les donn\u00e9es de la batterie de la NASA)<\/li>\n<li><strong>Mise en \u0153uvre du flux de travail V&amp;V<\/strong>&nbsp;: cr\u00e9ez des tests automatis\u00e9s pour d\u00e9tecter la d\u00e9gradation des mod\u00e8les au fil du temps.<\/li>\n<\/ol>\n<hr>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<p>[^1]&nbsp;: Doyle, M., Fuller, T.&nbsp;F. et Newman, J. (1993). Mod\u00e9lisation de la charge galvanostatique et de la d\u00e9charge de la cellule lithium\/polym\u00e8re\/insertion. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 140(6), 1526-1533.<br \/> [^2]&nbsp;: Newman, J., &amp; Thomas-Alyea, K.&nbsp;E. (2012). <em>Syst\u00e8mes \u00e9lectrochimiques<\/em> (3e \u00e9d.). Wiley.<br \/> [^3]&nbsp;: Zhu, G., et al. (2024). Un mod\u00e8le \u00e9lectrochimique simplifi\u00e9 pour les batteries lithium-ion. <em>Journal de chimie \u00e9nerg\u00e9tique<\/em>, 90, 521-533.<br \/> [^4]&nbsp;: Li, Y., et al. (2022). Un cadre de simplification de mod\u00e8le de PDE pour les batteries tout-\u00e9tat solide. <em>Universit\u00e9 Chalmers<\/em>.<br \/> [^5]&nbsp;: Moura, S.&nbsp;J., et al. (2015). Estimation et contr\u00f4le des mod\u00e8les d&rsquo;\u00e9lectrochimie des batteries. <em>Didacticiel sur le CDC<\/em>.<br \/> [^6]&nbsp;: Chen, Z., et al. (2022). Mod\u00e9lisation d&rsquo;\u00e9lectrodes poreuses et ses applications aux batteries Li-ion. <em>Physique des fluides<\/em>, 34(8).<br \/> [^7]&nbsp;: Manzie, C., et al. (2015). Techniques de simplification pour les mod\u00e8les de batteries Li-ion \u00e0 base de PDE. <em>Conf\u00e9rence de contr\u00f4le australienne<\/em>.<br \/> [^8]&nbsp;: He, W., et al. (2024). Un mod\u00e8le \u00e9tendu \u00e0 une seule particule de batteries lithium-ion. <em>Journal de stockage d&rsquo;\u00e9nergie<\/em>, 92, 112-129.<br \/> [^9]&nbsp;: Li, J., et al. (2017). Un mod\u00e8le \u00e0 une seule particule pour les batteries lithium-ion avec dynamique \u00e9lectrolytique. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 164(4), A755-A764.<br \/> [^10]&nbsp;: Perez, H.&nbsp;E., et al. (2016). Chargement optimal des batteries via un mod\u00e8le \u00e0 une seule particule. <em>Op\u00e9rations IEEE sur la technologie des syst\u00e8mes de contr\u00f4le<\/em>, 24(3), 952-964.<br \/> [^11]&nbsp;: Brosa Planella, F., et al. (2022). Un continuum de mod\u00e8les de batteries lithium-ion bas\u00e9s sur la physique. <em>Journal de physique&nbsp;: \u00e9nergie<\/em>, 4(2), 022001.<br \/> [^12]&nbsp;: Ali, H.&nbsp;A.&nbsp;A., et al. (2024). Une comparaison entre les mod\u00e8les de batteries Li-ion bas\u00e9s sur la physique. <em>Ordinateurs et g\u00e9nie chimique<\/em>, 108, 108-125.<br \/> [^13]&nbsp;: Xue, C., et al. (2023). Un mod\u00e8le am\u00e9lior\u00e9 \u00e0 une seule particule utilisant un r\u00e9seau de neurones bas\u00e9 sur la physique. <em>Batteries<\/em>, 9(10), 511.<br \/> [^14]&nbsp;: Paten, I.&nbsp;B., et al. (2026). Les mod\u00e8les \u00e0 double continuum de batteries au lithium-ion sont rapides et pr\u00e9cis. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 193(1), 011504.<br \/> [^15]&nbsp;: Xu, S., et al. (2025). Convergence optimale dans l&rsquo;analyse des erreurs semi-discr\u00e8tes par \u00e9l\u00e9ments finis pour le mod\u00e8le Doyle-Fuller-Newman. <em>Ima Journal of Numeric Analysis<\/em>.<br \/> [^16] : Manuel FIPY. Institut national des normes et de la technologie. 2024.<br \/> [^17]&nbsp;: Gopalakrishnan, K., et al. (2020). fvbattpy&nbsp;: mod\u00e8le P2D Newman utilisant Fipy. <em>GitHub<\/em>.<br \/> [^18]&nbsp;: Guo, F., et al. (2026). Optimisation de l&rsquo;estimation des param\u00e8tres pour les mod\u00e8les de batteries \u00e9lectrochimiques. <em>Journal des sources d&rsquo;\u00e9nergie<\/em>, 625, 234-248.<br \/> [^19]&nbsp;: Kolluri, S., et al. (2022). Une approche de r\u00e9servoirs en s\u00e9rie pour estimer les param\u00e8tres des mod\u00e8les de batterie. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 169(4), 040553.<br \/> [^20]&nbsp;: Moura, S.&nbsp;J., et al. (2015). Techniques d&rsquo;estimation de PDE pour les syst\u00e8mes de gestion de batterie avanc\u00e9s. <em>Conf\u00e9rence de contr\u00f4le am\u00e9ricain<\/em>.<br \/> [^21]&nbsp;: Sachsenweger, T., et al. (2026). ChargeFabrica&nbsp;: un outil de diff\u00e9rence finie bas\u00e9 sur Python pour la simulation de la batterie. <em>Journal de physique&nbsp;: mat\u00e9riaux<\/em>, 9(1), 025009.<br \/> [^22]&nbsp;: Horiba Fuelcon (2007). Test de v\u00e9rification de la dur\u00e9e de vie de la technologie des batteries.<br \/> [^23]&nbsp;: Foles, A., et al. (2022). Validation d&rsquo;un mod\u00e8le de batterie commerciale lithium-ion. <em>Open Research Europe<\/em>, 2, 15.<br \/> [^24]&nbsp;: Documentation PYBAMM. Mod\u00e9lisation math\u00e9matique de la batterie Python. 2025.<\/p>\n","protected":false,"raw":"<p>La mod\u00e9lisation \u00e9lectrochimique de la batterie \u00e0 l'aide d'\u00e9quations aux d\u00e9riv\u00e9es partielles (PDES) fournit une simulation haute fid\u00e9lit\u00e9 du comportement des cellules lithium-ion. Le <strong>Mod\u00e8le de particules uniques (SPM)<\/strong> offre une efficacit\u00e9 de calcul pour les applications en temps r\u00e9el, tandis que le mod\u00e8le <strong>Doyle-Fuller-Newman (DFN)<\/strong> capture la dynamique \u00e9lectrolytique compl\u00e8te pour les sc\u00e9narios de haute puissance. Ce guide couvre les \u00e9quations r\u00e9gissant, la mise en \u0153uvre avec FIPY et les techniques de validation pour les deux approches.<\/p>\n<h2>Introduction<\/h2>\n<p>La simulation de batterie lithium-ion repose sur des mod\u00e8les bas\u00e9s sur la physique qui d\u00e9crivent les processus \u00e9lectrochimiques coupl\u00e9s \u00e0 l'int\u00e9rieur de la cellule. Ces mod\u00e8les constituent la base des syst\u00e8mes de gestion de batterie (BMS), de l'optimisation de la conception et de la pr\u00e9diction des performances. Le choix entre les mod\u00e8les simplifi\u00e9s et les mod\u00e8les de pleine fid\u00e9lit\u00e9 implique de trader la vitesse de calcul contre la pr\u00e9cision, une d\u00e9cision qui a un impact sur tout, des contr\u00f4leurs embarqu\u00e9s aux simulations de recherche.<\/p>\n<p>Cet article fournit un guide pratique de la mod\u00e9lisation \u00e9lectrochimique des batteries \u00e0 l'aide de PDE, couvrant&nbsp;:<\/p>\n<ul>\n<li>Le cadre math\u00e9matique derri\u00e8re les mod\u00e8les P2D\/DFN<\/li>\n<li>Simplifications conduisant au mod\u00e8le \u00e0 une seule particule<\/li>\n<li>Strat\u00e9gies de mise en \u0153uvre \u00e0 l'aide de la biblioth\u00e8que de volumes finis<\/li>\n<li>Quand choisir le SPM par rapport au DFN en fonction de votre application<\/li>\n<li>D\u00e9fis communs dans l'estimation et la validation des param\u00e8tres<\/li>\n<\/ul>\n<h2>Le cadre PDE : mod\u00e8le P2D\/DFN<\/h2>\n<p>Le mod\u00e8le <strong>pseudo-bidimensionnel (P2D)<\/strong>, \u00e9galement connu sous le nom de mod\u00e8le <strong>Doyle-Fuller-Newman (DFN)<\/strong>, repr\u00e9sente l'\u00e9talon-or pour la simulation de batterie bas\u00e9e sur la physique. Il capture les ph\u00e9nom\u00e8nes de transport \u00e0 travers l'\u00e9paisseur de la cellule (direction x) et dans les particules individuelles d'\u00e9lectrode (direction R), d'o\u00f9 \"pseudo-2D\" [^1][^2].<\/p>\n<h3>Les \u00e9quations r\u00e9gissant les c\u0153urs<\/h3>\n<p>Le mod\u00e8le P2D complet consiste en <strong>quatre PDE non lin\u00e9aires coupl\u00e9es<\/strong> d\u00e9crivant les lois de conservation dans les phases solides et \u00e9lectrolytiques [^3][^4]&nbsp;:<\/p>\n<p><strong>1. Diffusion en phase solide (deuxi\u00e8me loi de Fick)<\/strong><\/p>\n<p>Intercalation au lithium dans des particules actives sph\u00e9riques :<\/p>\n<p>$$<br> frac{partial C_S}{partial t} = frac{d_s}{r^2} frac{partial r}left(r^2 C_S}{partielle r}droite)<br> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$C_S$ = concentration de lithium solide (mol\/m\u00b3)<\/li>\n<li>$D_S$ = Diffusivit\u00e9 en phase solide (m\u00b2\/s)<\/li>\n<li>$R$ = Coordonn\u00e9e radiale dans la particule<\/li>\n<\/ul>\n<p><strong>Conditions aux limites&nbsp;:<\/strong><\/p>\n<ul>\n<li>Centre ($r = 0$)&nbsp;: $frac{c_s partiel}{partial r} = 0$ (sym\u00e9trie)<\/li>\n<li>Surface ($r = r_s$)&nbsp;: $-d_s frac{c_s partiel}{partial r} = frac{j_{li}}{f}$<\/li>\n<\/ul>\n<p><strong>2. Transport de concentration d'\u00e9lectrolytes<\/strong><\/p>\n<p>Mouvement lithium-ion \u00e0 travers les pores \u00e9lectrolytiques :<\/p>\n<p>$$<br> varepsilon_e frac{c_e {partial t} = nabla cdot (d_{e,eff} nabla C_e) + frac{1 - t_0^+}{f} j_{li}<br> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$varepsilon_e$ = porosit\u00e9 \u00e9lectrolytique<\/li>\n<li>$C_E$ = concentration d'\u00e9lectrolytes (mol\/m\u00b3)<\/li>\n<li>$d_{e,eff}$ = diffusivit\u00e9 \u00e9lectrolytique effective (m\u00b2\/s)<\/li>\n<li>$T_0^+$ = num\u00e9ro de transfert de cations<\/li>\n<li>$J_{li}$ = flux de parois des pores (a\/m\u00b2)<\/li>\n<\/ul>\n<p><strong>3. Potentiel de phase solide (loi d'Ohm)<\/strong><\/p>\n<p>Matrice de flux de courant \u00e0 travers les \u00e9lectrodes&nbsp;:<\/p>\n<p>$$<br> i_s = -sigma_{eff} nabla phi_s, quad nabla cdot i_s = -j_{li}<br> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$sigma_{eff}$ = conductivit\u00e9 \u00e9lectronique efficace (S\/M)<\/li>\n<li>$Phi_S$ = potentiel solide (v)<\/li>\n<\/ul>\n<p><strong>4. Potentiel de phase \u00e9lectrolytique<\/strong><\/p>\n<p>Transport d'ions en \u00e9lectrolyte :<\/p>\n<p>$$<br> i_e = -kappa_{eff} nabla phi_e + frac{2kappa_{eff}rt {f}(1 - t_0^+) nabla ln c_e, quad nabla cdot i_e = j_{li}<br> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$kappa_{eff}$ = conductivit\u00e9 ionique effective (S\/M)<\/li>\n<li>$Phi_e$ = potentiel \u00e9lectrolytique (v)<\/li>\n<li>$R$ = Constante de gaz universelle (8,314 J\/(mol\u00b7K))<\/li>\n<li>$t$ = temp\u00e9rature (k)<\/li>\n<li>$F$ = Constante de Faraday (96485 C\/mol)<\/li>\n<\/ul>\n<h3>Couplage par Butler-Volmer Kinetics<\/h3>\n<p>Le flux de r\u00e9action $J_{li}$ couple les solides et les \u00e9lectrolytes via une cin\u00e9tique \u00e9lectrochimique&nbsp;:<\/p>\n<p>$$<br> J_{li} = a_s i_0 left[expleft(frac{alpha_a F eta}{RT}right) - expleft(-frac{alpha_c F eta}{RT}right) right]<br> $$<\/p>\n<p>o\u00f9&nbsp;:<\/p>\n<ul>\n<li>$A_S$ = Zone interfaciale sp\u00e9cifique (m\u00b2\/m\u00b3)<\/li>\n<li>$i_0$ = densit\u00e9 de courant d'\u00e9change (A\/m\u00b2)<\/li>\n<li>$alpha_a, alpha_c$ = coefficients de transfert anodique\/cathodique<\/li>\n<li>$eta = phi_s - phi_e - u(c_s)$ = surpotentiel (v)<\/li>\n<li>$U(C_S)$ = Tension en circuit ouvert (V), fonction de la concentration en surface<\/li>\n<\/ul>\n<p><strong>Tension terminale<\/strong> est obtenue \u00e0 partir de la diff\u00e9rence de potentiel \u00e0 travers la cellule&nbsp;:<\/p>\n<p>$$<br> v(t) = phi_s(l,t) - phi_s(0,t) - r_{film} i_{app}(t)<br> $$<\/p>\n<p>o\u00f9 $L$ est l'\u00e9paisseur totale de la cellule et $r_{film}$ compte pour les r\u00e9sistances de contact [^5].<\/p>\n<h3>Conditions aux limites<\/h3>\n<p>Des conditions aux limites appropri\u00e9es sont essentielles pour les probl\u00e8mes de PDE bien pos\u00e9s [^6]&nbsp;:<\/p>\n<table>\n<thead>\n<tr>\n<th>Variable<\/th>\n<th>x=0 (CC n\u00e9gatif)<\/th>\n<th>X=L (CC positif)<\/th>\n<th>Surface des particules (r=rs)<\/th>\n<th>Centre de particules (r=0)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>$Phi_S$<\/td>\n<td>0 (r\u00e9f\u00e9rence)<\/td>\n<td>$v_{cell}(t)$ ou $i_{app}$<\/td>\n<td>Coupl\u00e9 via Butler-Volmer<\/td>\n<td>$frac{partielle C_S}{partielle r}=0$<\/td>\n<\/tr>\n<tr>\n<td>$C_E$<\/td>\n<td>$frac{partielle {partielle x}=0$<\/td>\n<td>$frac{partielle {partielle x}=0$<\/td>\n<td>$-D_SFrac{Partial C_S}{partielle R}=J_{li}\/f$<\/td>\n<td>$frac{partielle C_S}{partielle r}=0$<\/td>\n<\/tr>\n<tr>\n<td>$Phi_e$<\/td>\n<td>$frac{partial phi_e}{partielle x}=0$<\/td>\n<td>$frac{partial phi_e}{partielle x}=0$<\/td>\n<td><\/td>\n<td><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Le syst\u00e8me P2D complet comprend <strong>17 PDE coupl\u00e9es et \u00e9quations alg\u00e9briques<\/strong> lors de la prise en compte des deux \u00e9lectrodes, de l'\u00e9lectrolyte et de plusieurs particules [^7].<\/p>\n<h2>Approche simplifi\u00e9e : mod\u00e8le de particules uniques (SPM)<\/h2>\n<p>Le <strong>Mod\u00e8le \u00e0 particules uniques (SPM)<\/strong> r\u00e9duit le co\u00fbt de calcul en effectuant deux simplifications cl\u00e9s [^8][^9]&nbsp;:<\/p>\n<ol>\n<li><strong>Distribution de courant uniforme<\/strong>&nbsp;: chaque \u00e9lectrode est repr\u00e9sent\u00e9e par une seule particule sph\u00e9rique, en supposant une densit\u00e9 de courant de r\u00e9action uniforme \u00e0 travers l'\u00e9paisseur de l'\u00e9lectrode.<\/li>\n<li><strong>Dynamique des \u00e9lectrolytes n\u00e9glig\u00e9s<\/strong>&nbsp;: la concentration d'\u00e9lectrolyte et les gradients potentiels sont suppos\u00e9s uniformes ou constants.<\/li>\n<\/ol>\n<h3>Simplification math\u00e9matique<\/h3>\n<p>Le SPM ne conserve que la PDE de diffusion en phase solide pour chaque \u00e9lectrode :<\/p>\n<p>$$<br> frac{partial C_S}{partial t} = frac{d_s}{r^2} frac{partial r}left(r^2 C_S}{partielle r}droite)<br> $$<\/p>\n<p>La tension terminale simplifie :<\/p>\n<p>$$<br> v(t) = u(c_{s,surf}^{pos}) - u(c_{s,surf}^{neg}) - r_{int} cdot i_{app}(t)<br> $$<\/p>\n<p>o\u00f9 $r_{int}$ est une r\u00e9sistance interne regroup\u00e9e (souvent constante ou empirique).<\/p>\n<p><strong>Avantage de calcul<\/strong>&nbsp;: la SPM r\u00e9duit le syst\u00e8me de 17&nbsp;\u00e9quations coupl\u00e9es \u00e0 essentiellement <strong>2&nbsp;Diffusion PDE<\/strong> (une par \u00e9lectrode), la dur\u00e9e de simulation de coupe de 10-100&nbsp;\u00d7 [^10].<\/p>\n<h3>Quand utiliser SPM<\/h3>\n<p>Le SPM est appropri\u00e9 pour [^11]&nbsp;:<\/p>\n<ul>\n<li><strong>Syst\u00e8mes de gestion de la batterie (BMS)<\/strong>&nbsp;: Estimation SOC\/SOH en temps r\u00e9el sur le mat\u00e9riel embarqu\u00e9<\/li>\n<li><strong>Taux C faibles \u00e0 mod\u00e9r\u00e9s<\/strong>&nbsp;: &lt;&nbsp;; 1C d\u00e9charge o\u00f9 les variations de concentration d'\u00e9lectrolytes sont minimes<\/li>\n<li><strong>Conception de contr\u00f4leurs<\/strong>&nbsp;: it\u00e9ration rapide lors du d\u00e9veloppement d'algorithmes<\/li>\n<li><strong>\u00c9tudes de conception pr\u00e9liminaires<\/strong>&nbsp;: balayages rapides des param\u00e8tres avant de s'engager sur le DFN complet<\/li>\n<\/ul>\n<p><strong>Limites de pr\u00e9cision<\/strong>&nbsp;: le SPM ne capture pas l'affaissement de la tension \u00e0 des taux \u00e9lev\u00e9s, les effets de d\u00e9pl\u00e9tion \u00e9lectrolytique et les gradients de concentration localis\u00e9s. Pour les applications de charge 3C ou de puissance, les erreurs d\u00e9passent 5 \u00e0 10 % [^12].<\/p>\n<h3>SPM \u00e9tendu (SPME)<\/h3>\n<p>Le <strong>Mod\u00e8le \u00e0 particules uniques avec \u00e9lectrolyte (SPME)<\/strong> ajoute une \u00e9quation de dynamique \u00e9lectrolytique group\u00e9e, pontant SPM et DFN. Il capture les variations mod\u00e9r\u00e9es de la concentration d'\u00e9lectrolytes sans traitement PDE complet, offrant une meilleure pr\u00e9cision \u00e0 ~2-3 \u00d7 le co\u00fbt du SPM [^13].<\/p>\n<h2>Pleine fid\u00e9lit\u00e9 : mod\u00e8le Doyle-Fuller-Newman (DFN)<\/h2>\n<p>Le <strong>DFN Model<\/strong> met en \u0153uvre la th\u00e9orie poreuse-\u00e9lectrode compl\u00e8te, r\u00e9solvant le transport dans les phases solides et liquides \u00e0 travers la pile de cellules [^1][^2].<\/p>\n<h3>Syst\u00e8me complet de PDE<\/h3>\n<p>Le DFN conserve les quatre familles PDE :<\/p>\n<ol>\n<li><strong>Diffusion solide<\/strong> (2 PDE : anode + particules de cathode)<\/li>\n<li><strong>Concentration d'\u00e9lectrolytes<\/strong> (1 PDE sur l'\u00e9paisseur de la cellule)<\/li>\n<li><strong>Possibilit\u00e9 solide<\/strong> (2 PDE : anode + cathode)<\/li>\n<li><strong>Possibilit\u00e9 d'\u00e9lectrolyte<\/strong> (1 PDE sur l'\u00e9paisseur de la cellule)<\/li>\n<\/ol>\n<p>Plus contraintes alg\u00e9briques :<\/p>\n<ul>\n<li>Cin\u00e9tique de Butler-Volmer aux surfaces des particules<\/li>\n<li>Loi sur la tension de Kirchhoff pour la tension aux bornes<\/li>\n<li>Limites de conservation actuelles<\/li>\n<\/ul>\n<p>Total : ~6-8 PDE selon la formulation (certaines combinent\/\u00e9liminent les variables).<\/p>\n<h3>Lorsque DFN est requis<\/h3>\n<p>Utilisez DFN pour [^14]&nbsp;:<\/p>\n<ul>\n<li><strong>Applications \u00e0 haut d\u00e9bit<\/strong>&nbsp;: &gt;&nbsp;; Chargement\/d\u00e9charge 2C l\u00e0 o\u00f9 les gradients d'\u00e9lectrolyte dominent<\/li>\n<li><strong>Conception d'\u00e9lectrodes d\u00e9taill\u00e9es<\/strong>&nbsp;: optimisation de l'\u00e9paisseur, de la porosit\u00e9, des distributions de la taille des particules<\/li>\n<li><strong>Vieillissement et d\u00e9gradation<\/strong>&nbsp;: la croissance du SEI, le placage au lithium d\u00e9pendent des conditions locales<\/li>\n<li><strong>Couplage thermique<\/strong>&nbsp;: les gradients de temp\u00e9rature interagissent avec les processus \u00e9lectrochimiques<\/li>\n<li><strong>R\u00e9f\u00e9rence de validation<\/strong>&nbsp;: mod\u00e8les de r\u00e9f\u00e9rence \u00e0 ordre r\u00e9duit par rapport \u00e0 la v\u00e9rit\u00e9 haute fid\u00e9lit\u00e9<\/li>\n<\/ul>\n<p><strong>Co\u00fbt de calcul<\/strong>&nbsp;: les simulations DFN peuvent \u00eatre <strong>10-100&nbsp;\u00d7 plus lentes <\/strong> que le SPM, n\u00e9cessitant une optimisation num\u00e9rique minutieuse (sch\u00e9mas implicites, maillage adaptatif) [^15].<\/p>\n<h2>Impl\u00e9mentation avec Fipy<\/h2>\n<p><a href=\"https:\/\/pages.nist.gov\/fipy\/\">FIPY<\/a> est un solveur de volume fini python open source id\u00e9al pour les PDES de batterie en raison de sa manipulation de maillage flexible et de ses termes de diffusion\/r\u00e9action int\u00e9gr\u00e9s [^16].<\/p>\n<h3>Configuration du probl\u00e8me P2D<\/h3>\n<p>Une impl\u00e9mentation FIPY minimale suit ces \u00e9tapes :<\/p>\n<pre><code class=\"language-python\">from fipy import CellVariable, Grid2D, TransientTerm, DiffusionTerm\n\n# 1. Define 2D mesh (x: cell thickness, r: particle radius)\nmesh = Grid2D(dx=dx, dy=dr, nx=100, ny=50)\n\n# 2. Create solution variables\nc_s = CellVariable(name=\"solid_concentration\", mesh=mesh, hasOld=True)\nphi_s = CellVariable(name=\"solid_potential\", mesh=mesh)\nc_e = CellVariable(name=\"electrolyte_concentration\", mesh=mesh)\nphi_e = CellVariable(name=\"electrolyte_potential\", mesh=mesh)\n\n# 3. Define governing equations\neq_s = (TransientTerm(var=c_s) == \n       DiffusionTerm(coeff=D_s, var=c_s))\n\neq_phi_s = (ImplicitSourceTerm(coeff=sigma_eff, var=phi_s) == \n            -j_Li)  # reaction source\n\n# 4. Add boundary conditions\nc_s.faceGrad.constraint = ...  # particle surface flux\nphi_s.constraint[boundary_id] = ...  # applied voltage\n\n# 5. Time stepping\nfor step in range(num_steps):\n    c_s.updateOld()\n    eq_s.solve(var=c_s, dt=dt)\n    # ... solve coupled equations sequentially or fully coupled\n<\/code><\/pre>\n<h3>Conseils pratiques de mise en \u0153uvre<\/h3>\n<p>Bas\u00e9 sur la <strong>fvbattpy<\/strong>&nbsp;impl\u00e9mentation de r\u00e9f\u00e9rence [^17]&nbsp;:<\/p>\n<ol>\n<li><strong>Strat\u00e9gie de maillage<\/strong>&nbsp;: affiner les interfaces proches des \u00e9lectrodes\/\u00e9lectrolytes o\u00f9 les gradients sont raides<\/li>\n<li><strong>Approche de couplage<\/strong>&nbsp;: utilisez des solveurs it\u00e9ratifs en bloc (Gauss-Seidel) ou Newton-Raphson pour un couplage complet<\/li>\n<li><strong>Steping de temps<\/strong>&nbsp;: contr\u00f4le du temps adaptatif pendant les transitoires&nbsp;; Sch\u00e9mas explicites instables pour la diffusion<\/li>\n<li><strong>Initialisation<\/strong>&nbsp;: commencez par l'\u00e9quilibre (OCV) pour \u00e9viter la divergence du solveur<\/li>\n<li><strong>Fichiers de param\u00e8tres<\/strong>&nbsp;: stockez les propri\u00e9t\u00e9s des mat\u00e9riaux dans la configuration structur\u00e9e (yaml\/json) pour la reproductibilit\u00e9<\/li>\n<\/ol>\n<h3>Exemple complet de FIPY<\/h3>\n<p>Le <a href=\"https:\/\/github.com\/krishnakumarg1984\/FVbattpy\">FVBATTPY GitHub Repository<\/a> fournit une impl\u00e9mentation P2D compl\u00e8te avec&nbsp;:<\/p>\n<ul>\n<li>G\u00e9om\u00e9trie multicouche (anode|s\u00e9parateur|cathode)<\/li>\n<li>Cin\u00e9tique de r\u00e9action de Butler-Volmer<\/li>\n<li>Jeux de param\u00e8tres pour les chimies courantes (NMC, LFP, Graphite)<\/li>\n<li>Pilotes de simulation pour les profils courants\/tensions constants<\/li>\n<li>Visualisation et post-traitement<\/li>\n<\/ul>\n<p>Ce code de r\u00e9f\u00e9rence pr\u00e9sente les meilleures pratiques pour la gestion :<\/p>\n<ul>\n<li>Propri\u00e9t\u00e9s des mat\u00e9riaux variables (diffusivit\u00e9 d\u00e9pendante de la concentration)<\/li>\n<li>D\u00e9placement des probl\u00e8mes de limites (gonflement des particules)<\/li>\n<li>Extensions de couplage thermique<\/li>\n<\/ul>\n<h2>Comparaison de mod\u00e8les : SPM vs DFN<\/h2>\n<p>Le compromis entre <strong>Vitesse<\/strong> et <strong>Pr\u00e9cision<\/strong> d\u00e9termine la s\u00e9lection du mod\u00e8le [^11][^12]&nbsp;:<\/p>\n<table>\n<thead>\n<tr>\n<th>Fonctionnalit\u00e9<\/th>\n<th>spm<\/th>\n<th>DFN<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>PDE r\u00e9solu<\/strong><\/td>\n<td>2 (diffusion solide uniquement)<\/td>\n<td>6-8 (syst\u00e8me coupl\u00e9 complet)<\/td>\n<\/tr>\n<tr>\n<td><strong>Co\u00fbt de calcul<\/strong><\/td>\n<td>Tr\u00e8s faible (secondes\/minutes)<\/td>\n<td>\u00c9lev\u00e9 (minutes\/heures)<\/td>\n<\/tr>\n<tr>\n<td><strong>Dynamique des \u00e9lectrolytes<\/strong><\/td>\n<td>N\u00e9glig\u00e9<\/td>\n<td>Plein<\/td>\n<\/tr>\n<tr>\n<td><strong>Pr\u00e9cision \u00e0 0,5&nbsp;c<\/strong><\/td>\n<td>&gt;&nbsp;;99&nbsp;%<\/td>\n<td>&gt;&nbsp;;99&nbsp;%<\/td>\n<\/tr>\n<tr>\n<td><strong>Pr\u00e9cision \u00e0 3&nbsp;C<\/strong><\/td>\n<td>90-95&nbsp;%<\/td>\n<td>&gt;&nbsp;;98&nbsp;%<\/td>\n<\/tr>\n<tr>\n<td><strong>Num\u00e9ration des param\u00e8tres<\/strong><\/td>\n<td>~10<\/td>\n<td>~30+<\/td>\n<\/tr>\n<tr>\n<td><strong>Meilleure pour BMS<\/strong><\/td>\n<td>Oui<\/td>\n<td>Limit\u00e9 (\u00e9talonnage hors ligne)<\/td>\n<\/tr>\n<tr>\n<td><strong>Optimisation de la conception<\/strong><\/td>\n<td>Pr\u00e9liminaire<\/td>\n<td>Validation finale<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h3>Cadre de d\u00e9cision<\/h3>\n<p>Suivez cet organigramme pour la s\u00e9lection du mod\u00e8le&nbsp;:<\/p>\n<pre><code>High-power application (&gt;2C)? \u2500\u2500Yes\u2500\u2500&gt; Use DFN\n       \u2502\n      No\n       \u2502\nReal-time embedded control? \u2500\u2500Yes\u2500\u2500&gt; Use SPM or SPMe\n       \u2502\n      No\n       \u2502\nParameter estimation available? \u2500\u2500No\u2500\u2500&gt; Start with SPM, validate later\n       \u2502\n      Yes\n       \u2502\nComputational budget\u5145\u8db3? \u2500\u2500Yes\u2500\u2500&gt; Use DFN for highest fidelity\n       \u2502\n      No\n       \u2502\nUse SPMe (middle ground)\n<\/code><\/pre>\n<p><strong>Recommandation<\/strong>&nbsp;: comparez toujours le mod\u00e8le que vous avez choisi par rapport aux donn\u00e9es exp\u00e9rimentales ou une simulation DFN fiable avant le d\u00e9ploiement [^14].<\/p>\n<h2>D\u00e9fis pratiques<\/h2>\n<h3>Estimation des param\u00e8tres<\/h3>\n<p>Les mod\u00e8les PDE n\u00e9cessitent de nombreux param\u00e8tres physiques [^18] :<\/p>\n<ul>\n<li><strong>Phase solide<\/strong>&nbsp;: $D_S$, $A_S$, $I_0$, $U(C)$<\/li>\n<li><strong>\u00c9lectrolyte<\/strong>&nbsp;: $d_{e,eff}(varepsilon)$, $kappa_{eff}(varepsilon, c_e)$, $t_0^+$<\/li>\n<li><strong>G\u00e9om\u00e9trique<\/strong>&nbsp;: \u00e9paisseurs d'\u00e9lectrodes, rayons de particules, porosit\u00e9s<\/li>\n<li><strong>Transports<\/strong>&nbsp;: Exposants de Bruggeman pour des propri\u00e9t\u00e9s efficaces<\/li>\n<\/ul>\n<p><strong>D\u00e9fis cl\u00e9s<\/strong> [^19]&nbsp;:<\/p>\n<ol>\n<li><strong>param\u00e9trage de la sur-param\u00e9trage<\/strong>&nbsp;: diff\u00e9rentes combinaisons de param\u00e8tres produisent des sorties de tension similaires, ce qui rend difficile une identification unique.<\/li>\n<li><strong>D\u00e9pendance \u00e0 l'\u00e9tat<\/strong>&nbsp;: les param\u00e8tres varient avec le SOC, la temp\u00e9rature, le vieillissement&nbsp;; Exiger des ensembles de donn\u00e9es complets<\/li>\n<li><strong>Difficile de mesure<\/strong>&nbsp;: certains param\u00e8tres (par exemple, $I_0$, $D_S$) n\u00e9cessitent un \u00e9quipement de laboratoire sp\u00e9cialis\u00e9 (EIS, GITT)<\/li>\n<li><strong>Frais de calcul<\/strong>&nbsp;: chaque \u00e9valuation de param\u00e8tres n\u00e9cessite une r\u00e9solution compl\u00e8te de la PDE&nbsp;; Les boucles d'optimisation deviennent co\u00fbteuses<\/li>\n<\/ol>\n<p><strong>Strat\u00e9gies d'att\u00e9nuation<\/strong>&nbsp;:<\/p>\n<ul>\n<li><strong>Analyse de sensibilit\u00e9<\/strong>&nbsp;: identifier et estimer uniquement les param\u00e8tres influents&nbsp;; R\u00e9parer les autres de la litt\u00e9rature<\/li>\n<li><strong>Mod\u00e8les d'ordre r\u00e9duit<\/strong>&nbsp;: utilisez le SPM\/SPME pour l'estimation des param\u00e8tres, puis le transfert vers DFN<\/li>\n<li><strong>M\u00e9thodes hybrides<\/strong>&nbsp;: combinez des mod\u00e8les bas\u00e9s sur la physique avec des substituts d'apprentissage automatique pour une optimisation plus rapide<\/li>\n<li><strong>Estimation en plusieurs \u00e9tapes<\/strong>&nbsp;: estimer les param\u00e8tres group\u00e9s en premier (r\u00e9sistance interne), puis \u00e9lectrochimiques [^20]<\/li>\n<\/ul>\n<h3>Gestion des co\u00fbts informatiques<\/h3>\n<p>Les r\u00e9solutions DFN compl\u00e8tes restent ch\u00e8res. Strat\u00e9gies pour r\u00e9duire le temps d'ex\u00e9cution :<\/p>\n<ol>\n<li><strong>Optimisation du maillage<\/strong>&nbsp;: maillage grossier dans le s\u00e9parateur, raffin\u00e9 dans les \u00e9lectrodes&nbsp;; 1D au lieu de 2D complet<\/li>\n<li><strong>Steping de temps<\/strong>&nbsp;: $delta t$ adaptatif (grand pendant l'\u00e9quilibre, petit pendant les transitoires)<\/li>\n<li><strong>S\u00e9lection de solveur<\/strong>&nbsp;: utiliser des sch\u00e9mas implicites (BDF)&nbsp;; PETSC pour les r\u00e9solutions parall\u00e8les<\/li>\n<li><strong>R\u00e9duction de l'ordre des mod\u00e8les<\/strong>&nbsp;: d\u00e9composition orthogonale appropri\u00e9e (POD) ou mod\u00e9lisation de substitution<\/li>\n<li><strong>Acc\u00e9l\u00e9ration mat\u00e9rielle<\/strong>&nbsp;: solveurs portatifs GPU (variantes FIPY compatibles CUDA)<\/li>\n<\/ol>\n<p>Pour les simulations 1C typiques, le DFN optimis\u00e9 s'ex\u00e9cute <strong>5-30&nbsp;minutes<\/strong> sur les CPU modernes&nbsp;; SPM se termine en <strong>secondes<\/strong> [^21].<\/p>\n<h3>Validation et v\u00e9rification du mod\u00e8le<\/h3>\n<p>V&amp;V garantit que votre simulation correspond \u00e0 la r\u00e9alit\u00e9 [^22][^23]&nbsp;:<\/p>\n<p><strong>V\u00e9rification<\/strong> (r\u00e9solution des \u00e9quations correctement)&nbsp;:<\/p>\n<ul>\n<li>Examen du code et tests unitaires<\/li>\n<li>Comparez avec des solutions analytiques (p. ex., diffusion \u00e0 flux constant)<\/li>\n<li>\u00c9tudes sur l'ind\u00e9pendance du maillage (affiner jusqu'\u00e0 ce que les r\u00e9sultats convergent)<\/li>\n<li>Cas d\u00e9g\u00e9n\u00e9r\u00e9s&nbsp;: \u00e9tats \u00e0 courant nul, enti\u00e8rement charg\u00e9s\/d\u00e9charg\u00e9s<\/li>\n<\/ul>\n<p><strong>Validation<\/strong> (r\u00e9solution des \u00e9quations correctes)&nbsp;:<\/p>\n<ul>\n<li>Comparer la tension\/courant simul\u00e9 avec les donn\u00e9es de cycles exp\u00e9rimentaux<\/li>\n<li>Utilisez des profils standards : USABC, FUDS, DST Cycles de conduite<\/li>\n<li>Mesures d'erreur&nbsp;: RMSE &lt;&nbsp;; 50 mV pour la tension ; Mape &lt; 2&nbsp;% pour le SoC<\/li>\n<li>Quantification de l'incertitude des param\u00e8tres&nbsp;: intervalles de confiance sur les pr\u00e9dictions<\/li>\n<\/ul>\n<p><strong>Protocole de validation recommand\u00e9e<\/strong>&nbsp;:<\/p>\n<ol>\n<li><strong>Tests statiques<\/strong>&nbsp;: caract\u00e9risation OCV, HPPC (caract\u00e9risation de la puissance d'impulsion hybride) pour la r\u00e9sistance<\/li>\n<li><strong>Tests dynamiques<\/strong>&nbsp;: d\u00e9charges \u00e0 courant constant \u00e0 plusieurs taux C (0,2&nbsp;c, 1&nbsp;c,&nbsp;2&nbsp;c)<\/li>\n<li><strong>Variation de temp\u00e9rature<\/strong> : r\u00e9p\u00e9ter \u00e0 10&nbsp;\u00b0C, 25&nbsp;\u00b0C, 40&nbsp;\u00b0C pour tester le couplage thermique<\/li>\n<li><strong>Donn\u00e9es vieillissantes<\/strong>&nbsp;: suivre la fade de la capacit\u00e9 sur plus de 100&nbsp;cycles pour les mod\u00e8les de d\u00e9gradation<\/li>\n<\/ol>\n<p><strong>Outils<\/strong>&nbsp;: bo\u00eete \u00e0 outils de la batterie Matlab\/Simulink, Pybamm ou des scripts Fipy personnalis\u00e9s avec importation de donn\u00e9es exp\u00e9rimentales.<\/p>\n<h2>Conclusion et prochaines \u00e9tapes<\/h2>\n<p>La mod\u00e9lisation \u00e9lectrochimique des batteries avec PDE offre un pont puissant entre la physique fondamentale et l'ing\u00e9nierie pratique. Le choix entre SPM et DFN d\u00e9pend de votre compromis sp\u00e9cifique entre l'efficacit\u00e9 de calcul et la fid\u00e9lit\u00e9 de simulation :<\/p>\n<ul>\n<li><strong>SPM<\/strong>&nbsp;: BMS en temps r\u00e9el, prototypage de contr\u00f4leur, exploration rapide de la conception<\/li>\n<li><strong>DFN<\/strong> : validation haute fid\u00e9lit\u00e9, optimisation d\u00e9taill\u00e9e de la conception, \u00e9tudes sur le vieillissement<\/li>\n<\/ul>\n<p><strong>Mise en route<\/strong>&nbsp;:<\/p>\n<ol>\n<li><strong>Exp\u00e9rience avec pybamm<\/strong>&nbsp;: fournit des impl\u00e9mentations SPM, SPME et DFN pr\u00eates \u00e0 l'emploi avec de nombreuses biblioth\u00e8ques de param\u00e8tres [^24]<\/li>\n<li><strong>Explorez fvbattpy<\/strong>&nbsp;: \u00e9tudiez le code P2D bas\u00e9 sur Fipy pour la personnalisation et l'extension<\/li>\n<li><strong>Marquez votre application<\/strong>&nbsp;: validez les pr\u00e9dictions du mod\u00e8le par rapport \u00e0 votre chimie cellulaire et aux conditions d'exploitation sp\u00e9cifiques<\/li>\n<li><strong>Estimation des param\u00e8tres du ma\u00eetre<\/strong>&nbsp;: investir dans la caract\u00e9risation exp\u00e9rimentale ou utiliser des ensembles de donn\u00e9es publiques (par exemple, les donn\u00e9es de la batterie de la NASA)<\/li>\n<li><strong>Mise en \u0153uvre du flux de travail V&amp;V<\/strong>&nbsp;: cr\u00e9ez des tests automatis\u00e9s pour d\u00e9tecter la d\u00e9gradation des mod\u00e8les au fil du temps.<\/li>\n<\/ol>\n<hr>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<p>[^1]&nbsp;: Doyle, M., Fuller, T.&nbsp;F. et Newman, J. (1993). Mod\u00e9lisation de la charge galvanostatique et de la d\u00e9charge de la cellule lithium\/polym\u00e8re\/insertion. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 140(6), 1526-1533.<br> [^2]&nbsp;: Newman, J., &amp; Thomas-Alyea, K.&nbsp;E. (2012). <em>Syst\u00e8mes \u00e9lectrochimiques<\/em> (3e \u00e9d.). Wiley.<br> [^3]&nbsp;: Zhu, G., et al. (2024). Un mod\u00e8le \u00e9lectrochimique simplifi\u00e9 pour les batteries lithium-ion. <em>Journal de chimie \u00e9nerg\u00e9tique<\/em>, 90, 521-533.<br> [^4]&nbsp;: Li, Y., et al. (2022). Un cadre de simplification de mod\u00e8le de PDE pour les batteries tout-\u00e9tat solide. <em>Universit\u00e9 Chalmers<\/em>.<br> [^5]&nbsp;: Moura, S.&nbsp;J., et al. (2015). Estimation et contr\u00f4le des mod\u00e8les d'\u00e9lectrochimie des batteries. <em>Didacticiel sur le CDC<\/em>.<br> [^6]&nbsp;: Chen, Z., et al. (2022). Mod\u00e9lisation d'\u00e9lectrodes poreuses et ses applications aux batteries Li-ion. <em>Physique des fluides<\/em>, 34(8).<br> [^7]&nbsp;: Manzie, C., et al. (2015). Techniques de simplification pour les mod\u00e8les de batteries Li-ion \u00e0 base de PDE. <em>Conf\u00e9rence de contr\u00f4le australienne<\/em>.<br> [^8]&nbsp;: He, W., et al. (2024). Un mod\u00e8le \u00e9tendu \u00e0 une seule particule de batteries lithium-ion. <em>Journal de stockage d'\u00e9nergie<\/em>, 92, 112-129.<br> [^9]&nbsp;: Li, J., et al. (2017). Un mod\u00e8le \u00e0 une seule particule pour les batteries lithium-ion avec dynamique \u00e9lectrolytique. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 164(4), A755-A764.<br> [^10]&nbsp;: Perez, H.&nbsp;E., et al. (2016). Chargement optimal des batteries via un mod\u00e8le \u00e0 une seule particule. <em>Op\u00e9rations IEEE sur la technologie des syst\u00e8mes de contr\u00f4le<\/em>, 24(3), 952-964.<br> [^11]&nbsp;: Brosa Planella, F., et al. (2022). Un continuum de mod\u00e8les de batteries lithium-ion bas\u00e9s sur la physique. <em>Journal de physique&nbsp;: \u00e9nergie<\/em>, 4(2), 022001.<br> [^12]&nbsp;: Ali, H.&nbsp;A.&nbsp;A., et al. (2024). Une comparaison entre les mod\u00e8les de batteries Li-ion bas\u00e9s sur la physique. <em>Ordinateurs et g\u00e9nie chimique<\/em>, 108, 108-125.<br> [^13]&nbsp;: Xue, C., et al. (2023). Un mod\u00e8le am\u00e9lior\u00e9 \u00e0 une seule particule utilisant un r\u00e9seau de neurones bas\u00e9 sur la physique. <em>Batteries<\/em>, 9(10), 511.<br> [^14]&nbsp;: Paten, I.&nbsp;B., et al. (2026). Les mod\u00e8les \u00e0 double continuum de batteries au lithium-ion sont rapides et pr\u00e9cis. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 193(1), 011504.<br> [^15]&nbsp;: Xu, S., et al. (2025). Convergence optimale dans l'analyse des erreurs semi-discr\u00e8tes par \u00e9l\u00e9ments finis pour le mod\u00e8le Doyle-Fuller-Newman. <em>Ima Journal of Numeric Analysis<\/em>.<br> [^16] : Manuel FIPY. Institut national des normes et de la technologie. 2024.<br> [^17]&nbsp;: Gopalakrishnan, K., et al. (2020). fvbattpy&nbsp;: mod\u00e8le P2D Newman utilisant Fipy. <em>GitHub<\/em>.<br> [^18]&nbsp;: Guo, F., et al. (2026). Optimisation de l'estimation des param\u00e8tres pour les mod\u00e8les de batteries \u00e9lectrochimiques. <em>Journal des sources d'\u00e9nergie<\/em>, 625, 234-248.<br> [^19]&nbsp;: Kolluri, S., et al. (2022). Une approche de r\u00e9servoirs en s\u00e9rie pour estimer les param\u00e8tres des mod\u00e8les de batterie. <em>Journal de la Soci\u00e9t\u00e9 \u00e9lectrochimique<\/em>, 169(4), 040553.<br> [^20]&nbsp;: Moura, S.&nbsp;J., et al. (2015). Techniques d'estimation de PDE pour les syst\u00e8mes de gestion de batterie avanc\u00e9s. <em>Conf\u00e9rence de contr\u00f4le am\u00e9ricain<\/em>.<br> [^21]&nbsp;: Sachsenweger, T., et al. (2026). ChargeFabrica&nbsp;: un outil de diff\u00e9rence finie bas\u00e9 sur Python pour la simulation de la batterie. <em>Journal de physique&nbsp;: mat\u00e9riaux<\/em>, 9(1), 025009.<br> [^22]&nbsp;: Horiba Fuelcon (2007). Test de v\u00e9rification de la dur\u00e9e de vie de la technologie des batteries.<br> [^23]&nbsp;: Foles, A., et al. (2022). Validation d'un mod\u00e8le de batterie commerciale lithium-ion. <em>Open Research Europe<\/em>, 2, 15.<br> [^24]&nbsp;: Documentation PYBAMM. Mod\u00e9lisation math\u00e9matique de la batterie Python. 2025.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>La mod\u00e9lisation \u00e9lectrochimique de la batterie \u00e0 l&rsquo;aide d&rsquo;\u00e9quations aux d\u00e9riv\u00e9es partielles (PDES) fournit une simulation haute fid\u00e9lit\u00e9 du comportement des cellules lithium-ion. Le Mod\u00e8le de particules uniques (SPM) offre une efficacit\u00e9 de calcul pour les applications en temps r\u00e9el, tandis que le mod\u00e8le Doyle-Fuller-Newman (DFN) capture la dynamique \u00e9lectrolytique compl\u00e8te pour les sc\u00e9narios de [&hellip;]<\/p>\n","protected":false,"raw":""},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/matforge.org\/?p=188","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[11,7,8,5,6,10,4,9],"class_list":["post-1232","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-battery-modeling","tag-dfn","tag-electrochemistry","tag-fipy","tag-lithium-ion","tag-pde","tag-simulation","tag-spm","fr-FR"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Mod\u00e9lisation de l&#039;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Mod\u00e9lisation de l&#039;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  10 minutesLa mod\u00e9lisation \u00e9lectrochimique de la batterie \u00e0 l&rsquo;aide d&rsquo;\u00e9quations aux d\u00e9riv\u00e9es partielles (PDES) fournit une simulation haute fid\u00e9lit\u00e9 du comportement des cellules lithium-ion. Le Mod\u00e8le de particules uniques (SPM) offre une efficacit\u00e9 de calcul pour les applications en temps r\u00e9el, tandis que le mod\u00e8le Doyle-Fuller-Newman (DFN) capture la dynamique \u00e9lectrolytique compl\u00e8te pour les sc\u00e9narios de [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-21T14:28:38+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"17 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Mod\u00e9lisation de l&rsquo;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets\",\"datePublished\":\"2026-08-21T14:28:38+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/\"},\"wordCount\":3362,\"commentCount\":0,\"keywords\":[\"Mod\u00e9lisation de la batterie\",\"DFN\",\"electrochemistry\",\"FiPy\",\"lithium-ion\",\"PDE\",\"simulation\",\"SPM\"],\"articleSection\":[\"Simulation &amp; Projets de mod\u00e9lisation\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/\",\"name\":\"Mod\u00e9lisation de l'\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-21T14:28:38+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/battery-electrochemistry-modeling-pdes\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Mod\u00e9lisation de l&#8217;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Mod\u00e9lisation de l'\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/","og_locale":"fr_FR","og_type":"article","og_title":"Mod\u00e9lisation de l'\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets - matforge.org","og_description":"Reading Time:  10 minutesLa mod\u00e9lisation \u00e9lectrochimique de la batterie \u00e0 l&rsquo;aide d&rsquo;\u00e9quations aux d\u00e9riv\u00e9es partielles (PDES) fournit une simulation haute fid\u00e9lit\u00e9 du comportement des cellules lithium-ion. Le Mod\u00e8le de particules uniques (SPM) offre une efficacit\u00e9 de calcul pour les applications en temps r\u00e9el, tandis que le mod\u00e8le Doyle-Fuller-Newman (DFN) capture la dynamique \u00e9lectrolytique compl\u00e8te pour les sc\u00e9narios de [&hellip;]","og_url":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/","og_site_name":"matforge.org","article_published_time":"2026-08-21T14:28:38+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"steven","Dur\u00e9e de lecture estim\u00e9e":"17 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Mod\u00e9lisation de l&rsquo;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets","datePublished":"2026-08-21T14:28:38+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/"},"wordCount":3362,"commentCount":0,"keywords":["Mod\u00e9lisation de la batterie","DFN","electrochemistry","FiPy","lithium-ion","PDE","simulation","SPM"],"articleSection":["Simulation &amp; Projets de mod\u00e9lisation"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/","url":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/","name":"Mod\u00e9lisation de l'\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-21T14:28:38+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/fr\/battery-electrochemistry-modeling-pdes\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/"},{"@type":"ListItem","position":2,"name":"Mod\u00e9lisation de l&#8217;\u00e9lectrochimie de la batterie avec PDE : du mod\u00e8le unique aux mod\u00e8les complets"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1232","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1232"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1232\/revisions"}],"predecessor-version":[{"id":1358,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1232\/revisions\/1358"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1232"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1232"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1232"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}