Cet article présente un framework Python complet pour optimiser les paramètres de fabrication des batteries lithium en utilisant des modèles de substitution d'apprentissage automatique, des algorithmes génétiques multi-objectifs (NSGA-II) et l'explicabilité SHAP. L'approche entraîne 11 modèles ML différents pour prédire les performances de la batterie, puis utilise NSGA-II pour trouver des paramètres de processus optimaux équilibrant plusieurs objectifs. L'analyse SHAP fournit une interprétabilité en identifiant les paramètres qui influencent le plus les résultats. Ce pipeline est très pertinent pour les applications industrielles d'IA où la modélisation prédictive, l'optimisation et l'explicabilité doivent fonctionner ensemble.
Un framework Python combinant 11 modèles de substitution ML, NSGA-II et SHAP pour l'optimisation des paramètres de batterie lithium.