Le modèle de corrosion de l’Université de Waterloo identifie un compromis pour l’électrolyte d’une batterie

Des chercheurs de l’Université de Waterloo ont testé 20 conditions d’électrolytes alcalins, puis utilisé l’IA pour trouver un compromis entre le taux de corrosion de l’aluminium et la stabilité électrochimique. Le modèle de corrosion de l’Université de Waterloo a retenu environ 1,35 molaire d’hydroxyde de potassium, ou KOH, comme point privilégié. Ce résultat ne constitue toutefois pas une recette de batterie finalisée. Il s’agit d’un équilibre généré par un modèle entre deux mesures de corrosion réalisées dans des conditions de laboratoire strictement contrôlées.

Cette distinction crée la tension centrale. Les batteries aluminium-air offrent une énergie théorique élevée par unité de métal actif, mais les électrolytes alcalins consomment également l’aluminium lorsque la cellule est inactive. Une alcalinité plus forte peut soutenir l’activité électrochimique tout en accélérant la dissolution indésirable et la production d’hydrogène. Choisir un électrolyte implique donc de gérer des objectifs concurrents, plutôt que de simplement minimiser une seule valeur.

L’équipe a remplacé une partie de ce processus d’essais et d’erreurs par un réseau neuronal artificiel et deux méthodes d’optimisation génétique. Son étude, publiée le 10 juillet 2026 dans Frontiers, fait état de scores de prédiction supérieurs à 0,999 dans l’ensemble de données constitué. Les chercheurs n’ont toutefois pas testé les performances de décharge d’une batterie complète, le cyclage à long terme ni le fonctionnement en dehors de la plage chimique mesurée.

Le résultat remet en question deux stratégies de développement courantes. L’une consiste à tester de nombreuses formulations et à sélectionner un électrolyte fonctionnel à partir d’expériences distinctes. L’autre considère le taux de corrosion prédit le plus faible comme la réponse évidente. Les travaux de Waterloo soutiennent qu’aucune de ces approches ne saisit l’intégralité du problème de conception, car le potentiel de corrosion et le courant de corrosion ne peuvent pas toujours s’améliorer simultanément.

Le modèle de corrosion de l’Université de Waterloo transforme la sélection des électrolytes

Le changement important n’est pas que l’IA ait prédit la corrosion. C’est que l’optimisation a transformé un ensemble de mesures de laboratoire en une condition d’électrolyte précise et testable.

Yasmin Shabeer, Seyed Saeed Madani, Satyam Panchal et Michael Fowler ont étudié un alliage commercial d’aluminium-magnésium-silicium. Ces travaux ont été menés au Département de génie chimique de l’Université de Waterloo. Leur financement comprenait le programme des chaires de recherche du Canada et le Conseil de recherches en sciences naturelles et en génie du Canada.

Les chercheurs ont exposé des échantillons d’alliage à des solutions d’hydroxyde de sodium, ou NaOH, et de KOH. Chaque électrolyte a été testé à des concentrations allant de 1 à 10 molaires. Les essais ont été menés à 25 degrés Celsius dans une cellule à trois électrodes, avec l’alliage d’aluminium comme électrode de travail.

Chaque expérience a commencé par 15 minutes de stabilisation en circuit ouvert. L’équipe a ensuite utilisé la polarisation potentiodynamique, qui mesure le courant tout en balayant la tension appliquée, afin d’estimer le comportement de corrosion. La spectroscopie d’impédance électrochimique a examiné la manière dont l’interface métal-électrolyte résistait à un faible signal alternatif à différentes fréquences.

Deux résultats structuraient l’analyse. Le potentiel de corrosion, noté Ecorr, indique la tendance électrochimique associée à la corrosion dans les conditions d’essai. La densité de courant de corrosion, ou Icorr, sert d’indicateur comparatif de la vitesse de la réaction de corrosion.

Ces mesures ne décrivent pas des propriétés identiques. Un potentiel de corrosion moins négatif peut sembler favorable, alors qu’une densité de courant en hausse signale une perte de matériau plus rapide. Cette distinction explique pourquoi le choix de la meilleure concentration à partir d’un seul classement peut induire les chercheurs en erreur.

Les expériences ont également montré que l’identité de l’électrolyte comptait. À concentrations identiques, le KOH produisait généralement un potentiel de corrosion plus négatif et une densité de courant de corrosion plus élevée que le NaOH. L’article associe cette différence à des effets dépendants du cation, impliquant la mobilité ionique, l’hydratation et la double couche électrique près de la surface métallique.

Une concentration plus élevée n’a pas produit de réponse linéaire simple. Une alcalinité faible à modérée favorisait l’activation anodique, tandis que les concentrations élevées présentaient un comportement limité par le transport et par l’interface. En pratique, l’ajout d’hydroxyde a fini par ne plus produire de changements électrochimiques proportionnels.

La diffraction des rayons X n’a détecté aucun produit de corrosion cristallin après exposition. Les auteurs interprètent ce résultat comme une dissolution continue de la surface, accompagnée principalement de films de surface amorphes ou de courte durée de vie. Il subsiste également une lacune, car la diffraction des rayons X ne peut pas décrire pleinement la forme de la corrosion, le développement de piqûres ou la chimie de surface à l’échelle nanométrique.

Les chercheurs ont entraîné un réseau neuronal artificiel sur les données électrochimiques. Ses cinq entrées représentaient le type d’électrolyte, la concentration, la température, le potentiel appliqué et la densité de courant mesurée. Ses deux cibles étaient Ecorr et Icorr.

Une recherche sur grille a évalué 351 configurations de réseaux neuronaux. Le réseau retenu comportait trois couches cachées de 20, 25 et 25 neurones. Il utilisait l’algorithme d’entraînement Adam, un taux d’apprentissage de 0,001 et 500 époques d’entraînement.

L’étude rapporte des valeurs de R-carré supérieures à 0,999 pour les deux sorties prédites. Le R-carré mesure à quel point les prédictions suivent les variations des données de référence du modèle. Une valeur aussi élevée indique un ajustement étroit dans cet ensemble de données, mais n’établit pas l’exactitude pour d’autres alliages ou environnements d’exploitation.

Ce modèle entraîné est devenu un substitut rapide aux expériences. Plutôt que de tester physiquement chaque concentration intermédiaire, les algorithmes d’optimisation pouvaient interroger le comportement de corrosion prédit dans un espace de recherche continu. Le processus a produit un point de fonctionnement proposé entre les incréments initiaux d’une molaire.

C’est pourquoi le modèle de corrosion de l’Université de Waterloo est important. Il a fait plus que reproduire des résultats mesurés. Il a généré une hypothèse plus ciblée que les chercheurs peuvent mettre à l’épreuve au moyen d’expériences ciblées.

Pourquoi les batteries aluminium-air exigent un compromis, et non un minimum

Un électrolyte pour batterie aluminium-air doit aider l’anode à libérer une énergie utile sans consommer trop de métal par corrosion parasite.

Dans une cellule aluminium-air, l’aluminium s’oxyde à l’anode tandis que l’oxygène participe à la réaction à la cathode. Cette architecture tire un réactif de l’air ambiant, ce qui contribue à réduire la masse transportée dans le système. L’aluminium possède également une densité énergétique gravimétrique théorique de 8,1 kilowattheures par kilogramme en tant que matériau actif.

Cette valeur théorique n’équivaut pas à l’énergie pratique d’une cellule. Le matériel, l’électrolyte, les composants de cathode, l’utilisation incomplète et les réactions secondaires réduisent les performances à l’échelle du système. Néanmoins, ce potentiel fondamental maintient la pertinence de la chimie aluminium-air pour les applications où l’énergie stockée importe davantage que la simple recharge électrique.

L’électrolyte remplit plusieurs fonctions simultanément. Il transporte les ions, soutient la dissolution de l’aluminium durant une décharge utile et influence les produits de réaction à l’anode. Toutefois, les solutions alcalines concentrées peuvent également attaquer l’aluminium lorsque la cellule est au repos.

Cette réaction indésirable consomme du matériau actif sans fournir de courant utile à une charge externe. Elle peut aussi libérer de l’hydrogène, soulevant des enjeux d’efficacité, de gestion de la pression et de sécurité. L’article de l’Université de Waterloo traite donc la corrosion comme une variable de conception, et non comme un problème cosmétique de matériaux.

Ce problème distingue les systèmes aluminium-air des batteries lithium-ion rechargeables conventionnelles. Dans de nombreuses conceptions aluminium-air, le rétablissement de la capacité nécessite le remplacement mécanique ou le recyclage de l’anode en aluminium consommée. Chaque gramme perdu par autocorrosion réduit le rendement utile de ce cycle de remplacement.

La concentration de l’électrolyte crée un choix particulièrement difficile. Une solution faible peut limiter le transport ionique ou la cinétique des réactions utiles. Une solution plus agressive peut améliorer l’activité électrochimique tout en accélérant la dissolution pendant le fonctionnement ou les périodes d’inactivité.

L’équipe de Waterloo a formalisé ce conflit avec deux objectifs. L’optimisation visait à réduire Icorr tout en rapprochant Ecorr d’une valeur moins négative. L’amélioration d’un objectif finissait par dégrader l’autre, créant un ensemble de solutions non dominées appelé front de Pareto.

Un front de Pareto contient des choix pour lesquels aucun objectif ne peut être amélioré sans en détériorer un autre. Les chercheurs ont sélectionné son point de coude, où une amélioration supplémentaire du potentiel de corrosion exigeait une hausse disproportionnée du courant de corrosion. Ce point est apparu près de 1,35 M de KOH.

Les valeurs prédites à cette concentration étaient un Ecorr de moins 1,6199 volt et un Icorr de 0,0876 ampère par centimètre carré. Ces valeurs doivent être lues ensemble. Aucune mesure seule n’explique pourquoi l’algorithme a privilégié cette condition.

Il est important de noter que le KOH n’était pas l’électrolyte le moins agressif dans les expériences comparables. L’étude a généralement observé une corrosion plus agressive avec le KOH qu’avec le NaOH à molarité équivalente. Pourtant, l’optimiseur a tout de même sélectionné une condition au KOH, car il recherchait un équilibre particulier entre les deux objectifs.

Cette contradiction apparente constitue le résultat le plus utile de l’étude. Elle montre pourquoi « la corrosion la plus faible » est une instruction de conception incomplète. Une condition qui réduit un indicateur peut produire un potentiel électrochimique défavorable ou limiter l’activité utile de l’anode.

Des recherches antérieures ont déjà établi que la corrosion constitue un goulot d’étranglement dans plusieurs conceptions de batteries. Une vaste revue sur les collecteurs de courant décrit comment la composition de l’électrolyte, la tension, la température et les propriétés de surface de l’aluminium influencent la dissolution dans les cellules à base de lithium. Le composant et le mécanisme diffèrent de ceux d’une anode aluminium-air, mais la leçon d’ingénierie est similaire : les avantages de l’électrolyte ne peuvent pas être dissociés de la compatibilité avec le métal.

Pour les développeurs de batteries aluminium-air, l’enjeu est immédiat. Ils ont besoin de formulations d’électrolytes qui soutiennent une décharge utile, limitent les pertes au repos, gèrent l’hydrogène et tolèrent les impuretés. Un modèle qui réduit l’espace de recherche peut économiser des expériences, mais seulement si ses objectifs correspondent aux exigences de la batterie finale.

Comment l’IA a trouvé le compromis à 1,35 M de KOH

La contribution du modèle vient de l’association d’une prédiction non linéaire avec une méthode de recherche qui préserve des objectifs de corrosion concurrents.

Le réseau neuronal artificiel a appris les relations entre les variables électrochimiques enregistrées. Les réseaux neuronaux sont utiles lorsque les entrées et les sorties interagissent de manière non linéaire, comme ce fut le cas sur la plage de concentrations. Le modèle ne partait pas d’une équation physique complète pour chaque réaction de surface.

Le processus d’entraînement a d’abord normalisé les variables afin de pouvoir comparer des valeurs sur différentes échelles. Les chercheurs ont ensuite fait varier la profondeur des couches, le nombre de neurones, les taux d’apprentissage et un paramètre de l’optimiseur Adam. Cette recherche structurée a identifié une configuration qui reproduisait étroitement les cibles disponibles.

Les valeurs de R-carré rapportées pour l’entraînement, les tests et la validation d’Icorr étaient de 0,99975, 0,99975 et 0,99970. Une comparaison exprimée en unités physiques a produit une valeur de R-carré de 0,99974. Ces résultats suggèrent peu d’erreurs visibles au sein de la répartition des données de l’étude.

L’étape suivante a utilisé le modèle comme prédicteur peu coûteux. Un algorithme génétique standard a recherché une solution unique après avoir combiné les deux objectifs avec des poids égaux. Les algorithmes génétiques imitent la sélection, le croisement et la mutation afin d’améliorer des solutions candidates au fil de générations répétées.

Une pondération égale implique un jugement. Elle suppose que le potentiel de corrosion et la densité de courant méritent une influence équivalente après normalisation. Un schéma de pondération différent pourrait privilégier une autre région de l’espace de conception.

L’équipe a donc ajouté NSGA-II, un algorithme génétique multiobjectif qui ne réduit pas les deux cibles à un unique score pondéré. Il a conservé un éventail de conditions électrolytiques non dominées et a mis en évidence le compromis entre elles. Le point de compromis représentait le candidat le plus proche d’une combinaison idéalisée d’Ecorr maximal et d’Icorr minimal.

Les deux approches d’optimisation ont convergé vers environ 1,35 M de KOH. La méthode scalaire a prédit un Ecorr proche de moins 1,619876 volt et un Icorr de 0,087859 ampère par centimètre carré. NSGA-II a renvoyé une position et des mesures presque identiques.

La concordance entre deux stratégies d’optimisation rend le point sélectionné moins dépendant d’une seule formulation mathématique. Elle ne constitue toutefois pas une validation expérimentale indépendante, car les deux méthodes ont interrogé le même réseau de neurones entraîné.

Cette différence importe pour interpréter le modèle de corrosion de l’Université de Waterloo. La convergence montre une cohérence interne entre les méthodes d’optimisation. Elle ne démontre pas qu’une cellule physique fonctionnant avec 1,35 M de KOH surpassera toutes les autres options.

L’approche offre néanmoins une évolution pratique dans la planification des travaux de laboratoire. Un criblage traditionnel testerait des concentrations à des intervalles prédéfinis, comparerait les mesures, puis choisirait une nouvelle série d’expériences. Un modèle substitut entraîné peut d’abord explorer des valeurs intermédiaires, permettant aux chercheurs de consacrer le temps de laboratoire aux candidats les plus informatifs.

Cette stratégie s’apparente à l’apprentissage actif, où un modèle aide à choisir l’expérience suivante plutôt que d’analyser passivement un jeu de données déjà constitué. L’article actuel ne rapporte pas de boucle itérative d’apprentissage actif. Son flux de travail en pose néanmoins les fondations.

Un système futur pourrait tester l’optimum prédit, ajouter ce résultat au jeu de données et réentraîner le modèle. Les chercheurs pourraient ensuite échantillonner les zones où l’incertitude reste élevée. Répéter ce cycle montrerait si le point de compromis apparent demeure stable à mesure que les données s’accumulent.

L’IA est de plus en plus utilisée pour des problèmes liés aux batteries, notamment la prédiction des propriétés des électrolytes, le criblage de matériaux et l’analyse des interfaces. Une revue sur l’IA appliquée aux batteries en 2026 met en avant les mêmes possibilités tout en identifiant la qualité limitée des données, la généralisabilité et l’interprétabilité comme des obstacles persistants.

Ces obstacles sont particulièrement importants pour la corrosion. La préparation de surface, la composition de l’alliage, les impuretés dissoutes, l’écoulement, la température et les protocoles d’essai peuvent modifier le comportement mesuré. Un modèle peut ajuster étroitement une expérience contrôlée sans capturer chaque variable rencontrée dans un système opérationnel.

Le flux de travail de Waterloo doit donc davantage être compris comme une optimisation guidée par l’expérience que comme une découverte chimique autonome. Des humains ont défini les familles d’électrolytes, la plage de concentrations, la procédure d’essai, les variables cibles et la règle de compromis privilégiée. L’IA a effectué la recherche efficacement à l’intérieur de ces limites.

Pour les équipes d’ingénierie, cette répartition du travail est précieuse. Les modèles peuvent préserver des relations expérimentales complexes et classer les essais de suivi. Les chercheurs décident toujours si l’objectif du modèle représente réellement la valeur d’une batterie.

Des prédictions presque parfaites ne signifient pas une meilleure batterie

L’ajustement exceptionnel du modèle est aussi la raison pour laquelle ses limites méritent une attention particulière.

Une valeur R² supérieure à 0,999 paraît décisive. Pourtant, la qualité prédictive dépend de la relation entre les données d’entraînement et la question posée. Le jeu de données de l’étude provenait d’un alliage commercial aluminium-magnésium-silicium, de deux électrolytes hydroxydes et d’une seule température.

La plage de concentrations était large, de 1 à 10 M. Toutefois, la grille expérimentale sous-jacente est restée structurée et chimiquement étroite. Le modèle n’a pas été chargé de généraliser entre de nombreuses familles d’alliages, des additifs, des contaminants, des températures ou des conceptions de cathodes à air.

Certains paramètres exigent également une interprétation prudente. Le potentiel appliqué et la densité de courant mesurée figuraient parmi les cinq caractéristiques prédictives. Icorr était l’une des sorties. Les relations entre des variables électriques liées expérimentalement peuvent permettre une interpolation précise tout en offrant moins de garanties dans de nouveaux régimes de fonctionnement.

L’article indique que ses données ont été réparties en sous-ensembles d’entraînement, de test et de validation. Des séparations aléatoires ou très apparentées peuvent placer des mesures issues de conditions expérimentales similaires dans chaque sous-ensemble. Cela constitue un contrôle exigeant de l’ajustement numérique, mais pas nécessairement un test sévère de l’extrapolation chimique.

Un test externe plus solide mettrait de côté toute une région de concentrations, une famille d’électrolytes, une composition d’alliage ou une campagne expérimentale. Les chercheurs pourraient alors examiner si le modèle prédit des conditions qu’il n’a pas rencontrées de près pendant l’entraînement. Les résultats publiés n’établissent pas ce niveau de généralisation.

La concentration optimisée de 1,35 M ajoute une autre exigence de vérification. Les expériences initiales ont utilisé des solutions de 1 à 10 M, tandis que le modèle a effectué une recherche continue entre les points mesurés. Une expérience directe à 1,35 M permettrait de déterminer si le point de compromis prédit résiste aux essais physiques.

Les auteurs précisent également que les corrélations directes avec les performances de décharge aluminium-air dépassaient le cadre de l’étude. Aucune cellule complète n’a été utilisée pour démontrer une énergie délivrée plus élevée, une meilleure durée de stockage, une accumulation de gaz plus lente ou une durée de fonctionnement plus longue dans la condition retenue.

Le potentiel de corrosion et la densité de courant de corrosion sont des indicateurs précieux, mais une batterie est soumise à davantage de contraintes. Elle nécessite une conductivité ionique suffisante, un transport d’oxygène adéquat, une cathode stable, une tension de décharge satisfaisante, des produits de réaction gérables et un comportement acceptable sur la plage de températures prévue.

La surface d’essai introduit une autre limite. Les échantillons ont été poncés mécaniquement, nettoyés à l’éthanol et exposés sur 0,79 centimètre carré. Les électrodes commerciales peuvent présenter des surfaces plus grandes, des finitions différentes, des résidus de fabrication, des structures de grains et des impuretés d’alliage distincts.

L’équipe a répété les mesures électrochimiques au moins trois fois et a rapporté des tendances cohérentes. Cela étaye la reproductibilité dans le cadre de la procédure retenue. Cela ne supprime pas l’incertitude liée au passage à l’échelle.

L’utilisation de balayages de polarisation continus apporte une autre réserve. Les chercheurs expliquent qu’Ecorr et Icorr ont été utilisés pour une analyse comparative, plutôt que pour une détermination cinétique stricte à partir de régions de Tafel idéales. Les lecteurs doivent donc éviter de considérer les valeurs de courant comme des prédictions universelles de durée de vie.

Les données sur la surface restent également incomplètes. La diffraction des rayons X n’a révélé aucun produit de corrosion cristallin, ce qui soutient l’interprétation d’une dissolution continue et de films amorphes. Les auteurs appellent à recourir à la microscopie électronique à balayage ou à la microscopie optique pour clarifier la morphologie de la corrosion.

Ce suivi importe car des densités de courant moyennes identiques peuvent masquer des schémas de défaillance différents. Une dissolution large et uniforme peut affecter une électrode différemment de piqûres ou de fissures localisées. Un modèle entraîné uniquement sur des mesures électriques synthétiques ne peut pas distinguer ces résultats sans étiquettes de surface correspondantes.

L’objectif d’optimisation mérite lui aussi un examen attentif. Le point de compromis est un compromis mathématique entre Ecorr et Icorr, et non une définition universelle des performances d’une batterie. Une unité de secours fixe, un prolongateur d’autonomie et une source d’alimentation jetable destinée au terrain peuvent accorder des valeurs différentes à la durée de stockage, à la puissance de pointe et à la gestion des gaz.

Les chercheurs pourraient également préférer NaOH pour des raisons dépassant les deux cibles modélisées. L’étude a observé une agressivité corrosive plus faible de NaOH à concentrations équivalentes. La compatibilité des matériaux, les considérations d’approvisionnement, le comportement au gel, la conductivité et le recyclage en aval pourraient modifier un choix à l’échelle du système.

Des recherches comparables sur les batteries montrent pourquoi une validation plus large est nécessaire. Une étude de référence sur les collecteurs de courant en aluminium a constaté des stabilités très différentes dans cinq électrolytes liquides. Bien que ce travail porte sur des collecteurs pour batteries lithium-ion, il illustre comment un changement de sels ou de solvants peut renverser des conclusions tirées d’une seule famille chimique.

L’apprentissage automatique peut réduire le nombre d’expériences nécessaires pour repérer des conditions prometteuses. Il ne peut pas rendre les variables exclues sans importance. Une interpolation presque parfaite devrait susciter des essais physiques plus ciblés, et non moins nombreux.

Trois essais montreront si le modèle compte vraiment

Le résultat de Waterloo ne devient déterminant que si son compromis prédit résiste à des expériences directes, à une chimie plus large et au fonctionnement d’une cellule complète.

Le premier signal est un essai physique à environ 1,35 M de KOH. Les chercheurs devraient répéter les mesures de polarisation et d’impédance à cette concentration exacte, plutôt que de s’appuyer sur une interpolation entre des molarités entières. Une confirmation renforcerait l’affirmation selon laquelle le modèle a identifié un véritable point de compromis électrochimique.

Cet essai devrait inclure des concentrations voisines. Un balayage étroit autour du point proposé révélerait si 1,35 M correspond à un optimum stable ou à une réponse mathématiquement précise sur une courbe peu marquée. La réplication avec des lots d’électrolyte préparés séparément testerait davantage la sensibilité.

Une caractérisation directe de la surface devrait accompagner les mesures électriques. La microscopie électronique à balayage peut révéler des dommages localisés, tandis que des méthodes chimiques de surface peuvent examiner les films d’oxyde et d’hydroxyde. Ces observations testeraient la transition implicite du modèle entre les régimes limités par l’activation et par le transport.

Si les Ecorr et Icorr mesurés correspondent aux prédictions, le modèle de corrosion de l’Université de Waterloo gagnera en crédibilité comme outil d’interpolation. Un écart affaiblirait l’optimum précis, tout en fournissant des informations utiles pour le réentraînement.

Le deuxième signal est une validation externe dans des conditions que le réseau n’a pas observées. Les chercheurs pourraient écarter une température, un autre alliage d’aluminium ou un électrolyte contenant des additifs. La réussite à ces essais compterait davantage qu’une autre séparation aléatoire d’observations étroitement liées.

La température devrait faire l’objet d’une attention précoce. Les expériences publiées ont été menées à 25 degrés Celsius, tandis que les systèmes pratiques peuvent connaître des démarrages à froid et un fonctionnement à haute température. La cinétique des réactions, la conductivité, l’évolution gazeuse et la stabilité des films peuvent toutes varier avec la température.

La variation des alliages est tout aussi importante. Le matériau testé était composé d’environ 99 pour cent d’aluminium, avec du magnésium, du silicium, du fer, du cuivre, du chrome, du titane et d’autres constituants mineurs. Les anodes commerciales peuvent recourir à différentes stratégies d’alliage spécifiquement destinées à contrôler la corrosion et le comportement de décharge.

L’élargissement de l’espace chimique permettrait de vérifier si le flux de travail se généralise au-delà du choix entre NaOH et KOH. Les additifs peuvent supprimer l’évolution d’hydrogène ou modifier les films de surface, mais ils créent aussi davantage de variables. Cet espace élargi est celui où le criblage assisté par IA devrait offrir son plus grand avantage.

Le troisième signal est la performance d’une cellule complète. Un électrolyte aluminium-air utile doit délivrer de l’énergie dans un système complet comprenant une anode, un séparateur, un électrolyte et une cathode à air. Les chercheurs doivent mesurer la tension de décharge, l’utilisation de l’aluminium, l’évolution d’hydrogène, les pertes au repos et la gestion des produits de réaction.

Un essai en cellule complète pourrait aussi comparer 1,35 M de KOH à la condition NaOH la plus performante et à une référence conventionnelle. Cette comparaison montrerait si l’optimum biobjectif du modèle améliore les résultats que les développeurs d’applications achètent réellement.

Les travaux antérieurs montrent pourquoi il est important d’aller au-delà des mesures en demi-cellule. Les recherches sur la corrosion de l’aluminium ont depuis longtemps établi que la composition de l’électrolyte peut modifier la formation de piqûres et le comportement des films protecteurs. Une récente étude sur la passivation a également lié la stabilité de l’aluminium aux conditions de fonctionnement des collecteurs de courant dans les batteries lithium-ion.

La chimie et le rôle des électrodes diffèrent, de sorte que ces résultats ne peuvent pas valider l’optimum identifié à Waterloo. Ils renforcent toutefois une leçon : l’utilité d’une surface en aluminium dépend de l’environnement électrochimique global, et non d’une seule propriété isolée du matériau.

Si les trois signaux concordent, cette recherche pourrait favoriser un cycle de développement plus efficace. Les expériences généreraient des données structurées sur la corrosion, un modèle identifierait les compromis, puis des essais de suivi corrigeraient le modèle. Des cellules complètes permettraient ensuite de déterminer si les variables proxy optimisées créent une réelle valeur au niveau du système.

Ce flux de travail peut également améliorer la traçabilité scientifique. Les équipes batterie doivent relier les formulations, les étapes de préparation, les traces électrochimiques, les images de surface et les versions des modèles. Une base de connaissances d’ingénierie consultable peut aider à préserver les raisons pour lesquelles un candidat a été retenu tandis qu’un autre a échoué.

Pour l’instant, le résultat est plus limité, mais reste utile. Des chercheurs de l’Université de Waterloo ont identifié un compromis non linéaire lié à la corrosion et l’ont traduit en une cible expérimentale falsifiable. Ils n’ont pas établi l’existence d’un électrolyte commercial, d’une cellule plus durable ni d’un prédicteur universel de corrosion.

La prochaine étape se joue au laboratoire. Testez directement la prédiction de 1,35 M de KOH, mettez le modèle à l’épreuve dans des conditions inédites et comparez des cellules complètes à des références crédibles. Si ces résultats concordent, l’optimisation de la corrosion assistée par l’IA sera passée d’une interpolation précise à la conception pratique de batteries.