Abstract:
Ce mémoire explore différentes approches d’apprentissage automatique, allant des modèles
classiques comme Ridge et Random Forest aux réseaux neuronaux profonds (CNN,
LSTM), pour prédire la durée de vie restante des batteries lithium-ion. En utilisant les
jeux de données MATR1 et MATR2, nous avons comparé les performances de chaque
modèle selon plusieurs critères : précision (RMSE, MAE, R2), robustesse, interprétabilité
et adaptabilité aux conditions réelles. Les résultats montrent que le CNN offre le meilleur
compromis entre précision et stabilité, faisant de lui un candidat idéal pour une intégration
industrielle future dans la maintenance prédictive des systèmes de stockage énergétique.
