De manière à satisfaire à des exigences de plus en plus strictes en termes d’émissions de CO2, la pile à combustible (PàC) est considérée comme une technologie prometteuse pour la décarbonation du transport, notamment pour la mobilité lourde. Cependant, les obstacles liés à la durabilité des PàC restent une préoccupation majeure pour une adoption à grande échelle de cette technologie. La durabilité des PàC dépend principalement des dégradations rencontrées lors de son utilisation. Par conséquent, les mécanismes de prédiction du vieillissement doivent être intégrés aux stratégies de contrôle. Ancrée dans ce contexte, cette thèse a pour objectif de mettre en place une approche hybride pour la prédiction des processus de vieillissement d'une pile à combustible de technologie PEM (Proton Exchange Membrane). L’idée est de faire usage à la fois des lois physiques qui régissent la dynamique de ces systèmes et de modèles de prédiction d'apprentissage automatique quasi-interprétables.
Dans un premier temps, une approche modèle-modèle a été conduite. Cela consiste à confronter les données issues d'un modèle de simulation à d'autres approches de modélisation afin de vérifier si l'on retrouve des tendances considérés lors de la génération des données. Les données de simulation ont été générées afin de reproduire les différents phénomènes régissant le fonctionnement d'une PàC et émuler un comportement plausible de cette dernière. Elles contiennent notamment un changement de dynamique soudain représentant un défaut d'engorgement. Une méthode combinant identification paramétrique, modélisation dynamique et filtrage de Kalman a été développée. Bien que la plupart des paramètres aient été faciles à modéliser, le changement de dynamique a constitué un point délicat à prédire correctement. Une technique basée sur la détection d'un point de rupture et des simulations de Monte Carlo, couplée à un filtre de Kalman étendu, a été proposée pour estimer les paramètres, prédire la tension et estimer la durée de vie restante.
La deuxième partie de la modélisation porte sur une approche hybride pour la prédiction des performances futures d'un stack de pile à combustible PEM. Les données utilisées sont issues d'une campagne de vieillissement réalisée sous un profil de mission dynamique et des conditions opératoires variables. L'approche proposée repose sur une formulation simplifiée du modèle quasi-statique. Des lois d'évolution temporelle sont proposées pour certains paramètres liés aux pertes d'activation et aux pertes par diffusion. La résistance ohmique, dont dépend les pertes ohmiques, est modélisée par un algorithme de Machine Learning, les Random Forests. Pour estimer l'évolution des autres paramètres au cours du temps et prédire les tensions futures, ces méthodes sont couplées à un filtre de Kalman étendu. L'approche proposée est capable de capturer l'évolution temporelle de la tension au fur et à mesure que de nouvelles données sont disponibles. Globalement, les prédictions obtenues sont satisfaisantes.
