Biais humains dans la tomographie par rayons X
Depuis moins de dix ans, la tomographie par rayons X (XCT) permet de caractériser par une image 3D la microstructure complexe des batteries, et en particulier des batteries lithium-ion. Cette technique non destructive permet de visualiser et de caractériser la microstructure des électrodes et, au final, permet aux chercheurs d'étudier comment optimiser la conception des électrodes dans les batteries.
La XCT suit plusieurs étapes, dont une étape de prétraitement (consistant à réduire les artefacts d'image causés par l'acquisition et la création de l'image), et un processus de segmentation (consistant à classer les pixels de l'image en différentes classes). À terme, des artefacts peuvent se produire et, ajoutés à l'auto-perception humaine, peuvent entraîner une mauvaise interprétation de l'image, ce qui conduit à des incertitudes lors de la quantification de différentes métriques basées sur l'image.
Pour éviter ce type de biais, différentes méthodes d’IQA (évaluation de la qualité des images) ont été proposées, mais la plupart d'entre elles se concentrent sur les images naturelles et nécessitent un grand nombre d’images annotées, ce qui n'est pas pratique pour les images tomographiques.
C'est pourquoi les auteurs de l’équipe Image&Diffraction du LRCS (A. Demortière) ont proposé une nouvelle méthode appelée TIQA (X-ray Tomographic Image Quality Assessment) permettant d'éliminer la dépendance à l'égard de l'observateur lors des étapes de prétraitement et de segmentation. Avec seulement quelques dizaines d'images annotées pour son apprentissage, TIQA obtient des résultats supérieurs aux autres méthodes (cf. figure). En outre, il réduit considérablement la tâche fastidieuse de sélection des bonnes images, facilite l'automatisation de l'analyse des images de tomographie à rayons X et fournit une évaluation plus fiable des résultats du prétraitement des images sans aucune dépendance vis-à-vis de l'observateur.
Espérons que ce développement, s’il devient récurrent, nous permettent de mieux concevoir et plus rapidement des électrodes de batteries.
Figure : La méthode TIQA excelle dans l'évaluation de la qualité des images tomographiques en obtenant le score de corrélation le plus élevé.
Tuan-Tu Nguyen
J'ai commencé mes études de génie mécanique à l'INSA de Lyon. Conscient que le développement futur des véhicules électriques était inévitable, j'ai poursuivi mes études avec un Master axé sur les véhicules électriques (VE). Parmi tous les éléments du VE, j'étais principalement intéressé par le système de batterie car il est la clé de tout le système. C'est ce qui m'a amené à interrompre ma carrière d'ingénieur pour poursuivre un doctorat sur la modélisation et la caractérisation des batteries.
Pendant mon doctorat au LRCS (Thèse CIFRE-Renault), mon principal intérêt était de trouver des moyens permettant d'améliorer les performances de la batterie Li-ion à travers la conception des électrodes. J'ai utilisé les modèles numériques comme un outil puissant pour mieux comprendre la physique sous-jacente du système, ce qui permet de raccourcir les délais d'innovation.
Mon expérience au sein du RS2E a été très bonne. Grâce au réseau, j'ai eu la possibilité d'accéder à différents laboratoires dotés d'équipements de pointe. De plus, le réseau offre de nombreuses opportunités de participer à des conférences de haut niveau avec non seulement des chercheurs talentueux, mais aussi de grands acteurs industriels.