Gestion Thermique des Batteries EV – Série (VI)
Modélisation des Risques et Ingénierie Thermique Prédictive

Dans les volets précédents, nous avons abordé les mécanismes de transfert thermique, la sélection des matériaux, les stratégies de confinement et la validation normative des systèmes de batterie EV. Cependant, la sécurité ne peut se limiter à l’optimisation des matériaux ou aux tests empiriques. La conception moderne exige désormais une modélisation quantitative des risques et une analyse thermique prédictive.

Cette publication se concentre sur les méthodologies d’ingénierie permettant de :

• Modéliser le risque de thermal runaway
• Simuler le comportement de propagation thermique
• Évaluer l’efficacité des mesures de mitigation à l’échelle du système

1. Nécessité de la modélisation des risques

Le thermal runaway est un événement à faible probabilité mais à gravité élevée. Les tests classiques (perforation, surcharge) fournissent des données empiriques mais ne permettent pas de prédire complètement :

• Les effets du vieillissement cellulaire
• La variabilité de fabrication
• Les profils de charge extrêmes
• Les différences d’architecture de pack

Il est donc nécessaire d’adopter une approche d’ingénierie basée sur les probabilités (probability-based risk assessment).

2. Modélisation multi-physique du thermal runaway

Le thermal runaway résulte d’une interaction complexe entre réactions électrochimiques, contraintes mécaniques et dynamique thermique.

2.1 Modèle de génération de chaleur électrochimique

• Cinétique des réactions
• Puissance thermique spécifique (W/kg)
• Dépendance à l’état de charge (SOC)

2.2 Gaz émis et pression interne

• Taux de génération de gaz
• Accumulation de pression dans le module
• Efficacité des conduits d’évacuation

2.3 Interaction structurelle et thermique

• Déformation des barrières thermiques
• Probabilité de rupture des joints
• Expansion mécanique du module

3. Modélisation de la propagation thermique

• Résistance thermique inter-cellules
• Conductivité des matériaux isolants
• Géométrie des surfaces de contact
• Réponse du système de refroidissement

La CFD (Computational Fluid Dynamics) permet de visualiser les gradients de température et d’estimer le temps de propagation thermique, critère clé de sécurité.

4. FMEA et matrice de risque

L’évaluation de la sécurité doit combiner probabilité et gravité. La méthodologie FMEA inclut :

• Gravité (Severity)
• Probabilité d’occurrence (Occurrence)
• Capacité de détection (Detection)

L’efficacité des mesures de mitigation peut être quantifiée par la réduction de la probabilité de propagation et l’augmentation du temps de propagation.

5. Effets du vieillissement et de la dégradation

• Augmentation de la résistance interne
• Production de chaleur localisée accrue
• Diminution de la température de rétraction du séparateur

Les modèles doivent intégrer des paramètres dépendants du cycle de vie et ne pas se limiter aux conditions de cellules neuves.

6. Jumeau numérique et ingénierie prédictive

• Mesure de température en temps réel
• Modèles thermiques prédictifs
• Base de données historique de dégradation

Cette approche permet de détecter précocement des comportements anormaux avant qu’une défaillance critique ne survienne.

7. Défis techniques

• Incertitude des modèles due à la rareté des données de défaut
• Variabilité de fabrication
• Erreur de mise à l’échelle de la cellule au pack

Les modèles prédictifs doivent être validés en continu avec des données expérimentales.

Conclusion

La mitigation du thermal runaway évolue d’une approche centrée sur les matériaux vers une ingénierie prédictive au niveau système. La modélisation quantitative permet d’optimiser la sécurité avant le prototypage physique. L’intégration future de la simulation multi-physique, des jumeaux numériques et de l’IA permettra d’améliorer de manière significative la performance de sécurité des batteries EV.