Résumé L'objectif de cette thèse est de développer des modèles et des méthodes intégrant le comportement du conducteur et les profils d'utilisateurs dans la planification de la recharge et la gestion intelligente des batteries de véhicules électriques. Malgré les progrès significatifs des systèmes de gestion de batterie (Battery Management Systems - BMS), la plupart des approches actuelles considèrent les conducteurs comme des utilisateurs homogènes et s'appuient sur des stratégies de recharge prédéfinies qui négligent la variabilité comportementale. Or, des données empiriques montrent que les différences de style de conduite, de fréquence de recharge et de sensibilité thermique peuvent conduire à des divergences substantielles des taux de dégradation des batteries. Cette recherche analysera et modélisera les facteurs comportementaux (habitudes de conduite, schémas de recharge, préférences personnelles) qui influencent la durée de vie et les performances des batteries. À partir de ces éléments, elle concevra des méthodes de regroupement (clustering), de modélisation stochastique et d'apprentissage automatique afin de caractériser les conducteurs et de prédire leur impact sur l'état de santé de la batterie (State of Health - SOH). Les modèles comportementaux obtenus alimenteront des algorithmes d'ordonnancement et de contrôle multi-objectifs qui personnalisent les paramètres du BMS (cycles de charge/décharge, gestion thermique, stratégies de recharge) pour optimiser conjointement le SOH et la satisfaction utilisateur. Ces solutions seront intégrées dans une boucle de rétroaction en temps réel, connectée au simulateur SHERPA-LAMIH et au Dunasys Box, afin de fournir des recommandations adaptées et de valider leur impact à la fois sur l'expérience utilisateur et sur la durabilité de la batterie. Cette thèse se situe à l'intersection de l'optimisation, de l'intelligence artificielle (apprentissage par renforcement, méta-heuristiques) et des sciences du comportement, et contribue aux objectifs de BATTL-EU en proposant une méthodologie reproductible pour prolonger la durée de vie des batteries tout en améliorant l'expérience utilisateur. Elle est menée dans le cadre du projet BATTL-EU (ANR PRCE) consacré au "battery passport" pour les véhicules électriques, qui combine IA, blockchain et apprentissage fédéré afin d'assurer la traçabilité des données, la préservation de la confidentialité et une meilleure gestion du cycle de vie, en collaboration avec le CESI (LINEACT), Dunasys et l'Université de Valenciennes (LAMIH), en cohérence avec les objectifs européens de mobilité durable et d'économie circulaire. Compétences Compétences scientifiques et techniques : - Modélisation, simulation et optimisation - Excellente maîtrise et niveau avancé en Python et C++ - Solides connaissances des méthodes de machine learning - Connaissances en modélisation stochastique - Rédaction de rapports et d'articles scientifiques ; bonnes compétences en communication (Anglais : niveau minimum B1 requis ; B2 souhaité) Compétences comportementales : - Autonomie, sens de l'initiative et curiosité intellectuelle démontrées - Fortes aptitudes au travail en équipe et à la collaboration - Maîtrise de l'anglais et du français - CDD 36 mois - 6 semaines de congés payés (au prorata du temps travaillé) - 14 RTT (au prorata du temps travaillé) - Tickets restaurant - Mutuelle entreprise - Prime participation/intéressement - Charte du télétravail - Ordinateur portable