النمذجة الرياضية لانتشار الأيونات وتنبؤ حالة الشحنة في بطاريات أيون الصوديوم باستخدام تحليل السلاسل الزمنية

لماذا تهم البطاريات الأفضل في الحياة اليومية

من الهواتف والحواسيب المحمولة إلى السيارات الكهربائية وتخزين الشبكات على نطاق واسع، باتت الحياة الحديثة تعتمد بشكل متزايد على البطاريات القابلة لإعادة الشحن. تهيمن بطاريات الليثيوم على المشهد الحالي، لكن الليثيوم مادة نادرة ومكلفة نسبيًا. بالمقابل، الصوديوم رخيص ومتوافر بكثرة — فكّر في ملح الطعام العادي. تستكشف هذه الدراسة كيف يمكن جعل بطاريات أيون الصوديوم أكثر أمانًا وطول عمر وأكثر موثوقية بدمج الرياضيات المبنية على الفيزياء مع الذكاء الاصطناعي الحديث لتتبع مقدار الطاقة المتبقية فعليًا في البطارية، والمعروف باسم حالة الشحنة.

من الليثيوم إلى الصوديوم: بديل واعد

قادت بطاريات أيون الليثيوم طفرة الأجهزة المحمولة بفضل كثافة الطاقة العالية وطول العمر. ومع ذلك، أثارت مخاوف بشأن توافر الموارد والتكلفة والاستدامة اهتمامًا متزايدًا ببطاريات أيون الصوديوم، التي تعمل بطريقة مماثلة لكنها تستخدم الصوديوم الأكثر وفرة. تكنولوجيا أيون الصوديوم لا تزال في طور النضوج ويجب أن تتخطى عقبات قبل النشر على نطاق واسع. أحد أكبر التحديات هو تقدير حالة الشحنة (SOC) بدقة — وهو ما يشبه «مقياس الوقود» للبطارية. يمكن أن تؤدي تقديرات SOC غير الدقيقة إلى تقصير عمر البطارية، وتقليل مدى القيادة في السيارات الكهربائية، بل وتعرض لتهديدات أمان. الطرق التقليدية تستنتج SOC بشكل أساسي من قياسات الجهد، والتي قد تكون مضطربة ومضللة في ظروف العالم الواقعي.

مراقبة حركة الأيونات داخل البطارية

لبناء «مقياس وقود» أكثر واقعية، يبدأ المؤلفون من الفيزياء الدقيقة لحركة أيونات الصوديوم داخل الأقطاب الصلبة للبطارية. يقومون بنمذجة كيفية انتشار أيونات الصوديوم داخل وخارج جزيئات كروية صغيرة تشكل مادة القطب، باستخدام معادلة الانتشار الكلاسيكية. من خلال إعادة كتابة هذه المعادلة بصيغة خالية من الوحدات، يبرزون بعض المعاملات الرئيسية التي تتحكم بسرعة حركة الأيونات ومواقع تراكمها أثناء الشحن والتفريغ. بدلًا من الاعتماد فقط على محاكاة عددية ثقيلة، يطبق الفريق تقنية شبه تحليلية تُسمى طريقة لتقاطع هيرميت القائمة على تحويل لابلاس (LT-HCM) للحصول على صيغ مضغوطة لتوزيعات تركيز الأيونات. تُفحص هذه الحلول بعد ذلك مقابل مخطط عددي معروف، وهو طريقة الفروق المنتهية، وتُظهر تطابقًا ممتازًا، ما يعزز الثقة في دقة نموذج الانتشار.

تدريس شبكة عصبية لقراءة «العلامات الحيوية» للبطارية

مسلحين بهذا النموذج المبني على الفيزياء، يولّد الباحثون مجموعة بيانات كبيرة ونظيفة تُظهر كيف تتطور تركيزات الأيونات وSOC عبر الزمن تحت ظروف شحن مختلفة. ثم يُدخلون هذه السلاسل الزمنية في عدة طرق للتعلم الآلي — بما في ذلك انحدار آلات المتجهات الداعمة، وانحدار العمليات الغاوسية، وأشجار التعزيز التدرجي — لكنهم يركزون على شبكات الذاكرة الطويلة القصيرة (LSTM)، وهو نوع من الشبكات العصبية المتكررة المصممة للتعامل مع التسلسلات. تتعلم LSTM ربط تطور تركيزات الأيونات بـ SOC في القطبين السالب والموجب. من خلال التدريب والاختبار على تقسيمات بيانات منفصلة، ومراقبة تراجع الخطأ أثناء التدريب، يظهرون أن LSTM تلتقط الاتجاهات الدقيقة وطويلة المدى في الانتشار التي تفوتها النماذج الأبسط. من بين جميع الأساليب المختبرة، تقدم LSTM أدنى أخطاء في التنبؤ بـ SOC.

ما تكشفه النماذج عن سلوك البطارية

يوفر الإطار المشترك بين الفيزياء والذكاء الاصطناعي صورة تفصيلية لكيفية إعادة ترتيب أيونات الصوديوم داخل البطارية أثناء الشحن والتفريغ. عند بدء الشحن، تدخل الأيونات ببطء إلى القطب السالب، وتتكاثف أولًا بالقرب من السطح قبل أن تنتشر تدريجيًا نحو الداخل. تحت تيار أعلى، تتراكم الأيونات بشكل أسرع، مكونة تدرجات تركيز أشد ومقاومة داخلية أعلى. كلما اقتربت البطارية من الشحن الكامل، يتباطأ الانتشار، وترتفع المقاومة، ويتباطأ نمو SOC — وهي سمات تعيدها كل من حلول LT-HCM وتنبؤات LSTM. أثناء التفريغ يحدث العكس: ينخفض SOC بثبات، ثم يسقط بشكل أكثر حدة عندما يقترب أحد الأقطاب من النفاد والآخر من التشبع، مشيرًا إلى الحدود العملية للسعة القابلة للاستخدام.

مقياس وقود أوضح وأكثر ذكاءً لبطاريات أيون الصوديوم

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن جمع الوصف الرياضي لحركة الأيونات مع خوارزميات التعلم التي تتعرف على أنماط الزمن يؤدي إلى «مقياس وقود» أدق وأكثر موثوقية بكثير. بدلًا من استنتاج SOC من الجهد فقط، تقرأ هذه الطريقة الهجينة أعمق داخل بنية البطارية، متتبعة تركيز الأيونات وتوزيع الشحنة مباشرة. النتيجة تنبؤات SOC دقيقة للغاية مع جهد حسابي معتدل، ما قد يساعد بطاريات أيون الصوديوم على العمل بأمان أكبر، وأن تدوم لفترة أطول، وأن تُدمج بشكل أفضل في السيارات الكهربائية وأنظمة الطاقة المتجددة — مما يقرب مستقبلًا بطارييًا أكثر استدامة إلى الواقع.

الاستشهاد: S., S., Srivastava, N. & Hristov, J. Mathematical modelling of ion diffusion and state of charge prediction in sodium ion batteries with time series analysis. Sci Rep 16, 7534 (2026). https://doi.org/10.1038/s41598-026-37522-x

الكلمات المفتاحية: بطاريات أيون الصوديوم, حالة الشحنة, نمذجة البطاريات, التعلم الآلي, LSTM