Deux approches sont traditionnellement utilisées dans la conception d’une batterie.
Avec le premier, le comportement d'une batterie est simulé grâce à l'utilisation de technologies CAE (Computer Aided Engineering), qui permettent de représenter le produit à l'aide de modèles numériques axés sur la modélisation et l'analyse physique. Mais, pour une prédiction précise, il est nécessaire d’introduire une analyse multi-physique, c’est-à-dire d’introduire des paramètres supplémentaires, électrophysiques caractéristiques des batteries par exemple, qui rendent le modèle physique réel plus complexe. À cela, il faut ajouter l'augmentation de la complexité des produits, déterminée par l'émergence de nouvelles technologies et de nouveaux matériaux, et par l'attention portée à la durabilité environnementale. Et c'est cette complexité qui a fait ressortir les limites de l'adoption de cette approche : des temps de calcul croissants, aux compétences étendues requises (sur les logiciels à utiliser, sur les types d'analyses à réaliser, sur les caractéristiques et comportements des nouveaux matériaux, pour ne citer que les principaux).

La seconde approche, plus récente, est plutôt liée aux modèles d’apprentissage automatique (Machine Learning). Dans ce cas, des ensembles de données sont utilisés pour concevoir une nouvelle batterie, composée d’un grand nombre de données collectées expérimentalement.
Mais quelle est la fiabilité de ces données lors de la conception d’un nouveau produit ? La conception et les performances d’une batterie dépendent de nombreux facteurs : la limite dans l’utilisation de cette approche est la disponibilité de données réellement utiles dès les premières phases de conception.

oorja s'inscrit dans ce scénario : la force de cette plateforme réside dans l'adoption d'une approche hybride, qui exploite les avantages des deux méthodologies décrites ci-dessus, et dépasse leurs limites.

oorja utilise une approche basée sur des modèles physiques simples et rapides, qui constitueront la base de l'algorithme d'apprentissage automatique, réduisant ainsi le nombre de données nécessaires pour l'ensemble de données initial.

oorja simule, prédit et optimise le comportement des batteries, en analysant différentes performances, comme par exemple la quantité de courant produite, le « fondu capacité/puissance », la surchauffe pendant l'utilisation, les protocoles de charge rapide et les aspects liés à la garantie.

A la base de la méthodologie il y a un workflow composé de 7 modules :

• Matériau : pour définir le matériau
• Données : pour utiliser le Machine Learning
• Design : pour créer ou importer la "géométrie du pack" pour optimiser
• Autonomie : pour prédire les performances liées au courant de la batterie
• Volt : pour optimiser les performances (ex. BoL : performance Begin of Life)
• Fade : pour l'analyse des risques, analyser les aspects liés à la garantie, analyser le « fade capacité/puissance »
• Chaleur : analyse thermique, optimisation de la conception pour définir les distances entre cellules ou refroidissement

Pour souligner l'interface graphique extrêmement "user friendly" d'oorja, qui rend extrêmement simple l'utilisation de la méthodologie complexe : elle est basée sur l'utilisation d'un "wizard", c'est-à-dire un système automatique, qui guide l'utilisateur étape par étape dans le workflow génération.