Verbessertes intelligentes Entscheidungsmodell für Elektrofahrzeugbatterien unter Verwendung q‑Rung-Orthopair‑Fuzzy‑Schweizer–Sklar priorisierter Z‑Information

Warum die Wahl der richtigen EV‑Batterie so schwierig ist

Wenn Elektrofahrzeuge vom Nischenprodukt zum Mainstream werden, leistet die Batterie unter dem Fahrzeugboden sehr viel Arbeit. Sie bestimmt Reichweite, Ladegeschwindigkeit, Lebensdauer bis zum Austausch sowie Sicherheit und Umweltverträglichkeit. Ingenieure und Entscheidungsträger müssen dennoch zwischen konkurrierenden Batterietechnologien wählen, wobei die zugrunde liegenden Informationen oft unvollständig, unsicher oder eher auf Expertenurteilen als auf harten Zahlen basieren. Dieser Artikel stellt ein neues mathematisches Entscheidungsinstrument vor, das diese Wahl zuverlässiger machen soll, wenn die Fakten unscharf sind.

Viele Anforderungen gleichzeitig ausbalancieren

Die Auswahl einer Batterie für Elektrofahrzeuge ist ein typischer Balanceakt. Optionen wie Nickel‑Cadmium, Blei‑Säure, Natrium‑Schwefel, Lithium‑Ion und Redox‑Flow‑Batterien haben jeweils ihr eigenes Gemisch aus Stärken und Schwächen. Einige laden schnell, verschleißen aber früher; andere halten viele Jahre, sind dafür sperrig oder erfordern hohe Betriebstemperaturen. Entscheidungsträger müssen technische Leistung, Kosten, Sicherheit und Umweltwirkung gleichzeitig abwägen. Traditionelle Entscheidungsverfahren gehen davon aus, dass jedes Kriterium mit präzisen Zahlen beschrieben werden kann, doch reale Daten — etwa zur Zyklenfestigkeit bei rauem Klima oder zu Ausfallraten bei Unfällen — sind selten so eindeutig.

Von unscharfen Meinungen zu strukturierten Beurteilungen

Um mit dieser Mehrdeutigkeit umzugehen, verwenden Forschende seit Langem „fuzzy“ Mengen, die erlauben, dass Aussagen teilweise zutreffen statt nur Ja oder Nein zu sein. Spätere Verfeinerungen, etwa intuitionistische und pythagoreische Fuzzy‑Mengen, fügten Möglichkeiten hinzu, Zögern oder widersprüchliche Informationen auszudrücken. Die in diesem Papier vorgeschlagene Methode baut auf einem noch flexibleren Rahmen auf, den q‑rung‑orthopair‑Fuzzy‑Mengen, die sehr hohe Unsicherheitsgrade erfassen können, und kombiniert diesen mit Z‑Zahlen, einem Schema, das Wert und die Vertrauensstärke in diesen Wert getrennt festhält. Einfach gesagt zeichnet das Modell nicht nur auf, dass eine Batterie in puncto Sicherheit als „hoch“ eingeschätzt wird, sondern auch, wie zuverlässig diese Einschätzung ist.

Eine einstellbare Methode zur Kombination widersprüchlicher Kriterien

Die zweite Säule der Arbeit ist eine Familie mathematischer Regeln, bekannt als Schweizer–Sklar‑Aggregationsoperatoren, die verwendet werden, um viele unsichere Eingaben zu einer Gesamtnote zu verschmelzen. Anders als einfache Mittelwerte besitzen diese Operatoren einen eingebauten Einstellknopf, mit dem Entscheidungsträger eher vorsichtige oder eher mutige Strategien favorisieren können, ohne das gesamte Modell neu entwerfen zu müssen. Bei konservativer Einstellung wirkt die Methode, als würde sie sagen: „Alle Schlüssel‑Kriterien müssen einigermaßen gut sein“; bei optimistischer Einstellung lässt sie eine herausragende Stärke in einem Bereich Schwächen in anderen Bereichen ausgleichen. Die Autoren erweitern diese Regeln so, dass sie reibungslos mit dem kombinierten Fuzzy‑ und Z‑Zahlen‑Rahmen arbeiten und Prioritäten sowie Gewichtungen für verschiedene Kriterien zulassen.

Test der Methode an realen Batteriewahlen

Um die Leistungsfähigkeit des Modells zu prüfen, wenden die Autoren es auf eine realistische Fallstudie an, in der fünf Batterietechnologien für den Einsatz in Elektrofahrzeugen verglichen werden. Expertinnen und Experten bewerten jede Option in drei entscheidenden Aspekten: Ladezeit, Zyklenlebensdauer und Sicherheit. Diese verbalen Einschätzungen („niedrig“, „mittel“, „hoch“ usw.) werden in das neue Fuzzy‑Format übersetzt, wobei sowohl die Bewertung selbst als auch das Vertrauen der Expertinnen und Experten darin erfasst werden. Die vorgeschlagenen Operatoren aggregieren diese Informationen dann auf mehrere leicht unterschiedliche Weisen, und jede Batterie erhält eine Endwertung. Über alle Varianten der Methode hinweg erweisen sich Lithium‑Ion‑Batterien durchweg als Spitzenreiter, gefolgt von Natrium‑Schwefel und Flow‑Batterien, während Nickel‑Cadmium und Blei‑Säure aufgrund kürzerer Lebensdauer, langsamerer Ladezeiten oder größerer Umweltbedenken zurückfallen. Eine ergänzende Analyse mit einer bekannten Technik namens WASPAS, angepasst an denselben fuzzy‑Rahmen, liefert dieselbe beste Wahl und stärkt so die Glaubwürdigkeit des neuen Ansatzes.

Robuste Ergebnisse, selbst wenn Prioritäten sich verschieben

Die Studie untersucht außerdem, was passiert, wenn die Einstellparameter in den Schweizer–Sklar‑Operatoren variiert werden, um risikoaverse oder risiko­tolerante Haltungen zu simulieren. Zwar verändern sich die exakten numerischen Werte, doch die Rangfolge der Batterien bleibt bemerkenswert stabil: Lithium‑Ion bleibt auf Platz eins, die mittleren Kandidaten bleiben in der Mitte, und die schwächsten Optionen bleiben unten. Diese Stabilität ist in der Praxis wichtig, denn sie deutet darauf hin, dass die Methode nicht übermäßig empfindlich gegenüber subjektiven Entscheidungen bei der Kriterienkombination ist und dass ihre Schlussfolgerungen nicht leicht durch kleine Modelländerungen widerlegt werden.

Was das für Elektrofahrzeuge und darüber hinaus bedeutet

Alltagssprachlich bietet das Papier einen nuancierteren Rechner für schwierige Entscheidungen, bei denen Belege unvollständig sind und Expertenmeinungen auseinandergehen. Für Elektrofahrzeuge stützt es den aktuellen Industrie­fokus auf Lithium‑Ion‑Batterien, schafft zugleich aber Raum, aufstrebende Technologien fair und transparent zu vergleichen. Allgemeiner könnte derselbe Rahmen bei anderen komplexen Nachhaltigkeitsentscheidungen helfen, etwa bei der Platzierung von Ladestationen, der Auswahl von Energiespeichern für das Netz oder der Bewertung grüner Technologien. Indem er sowohl Unsicherheit als auch Vertrauen explizit darstellt und Entscheidungsträgern eine einstellbare Möglichkeit bietet, konkurrierende Ziele abzuwägen, verwandelt das vorgeschlagene Modell unklare, reale Urteile in klarere Empfehlungen, ohne vorzugeben, die Welt sei einfacher, als sie ist.

Zitation: Ali, A., Shaikh, H.U., Ashraf, S. et al. Improved intelligent decision model for electric vehicle battery using q-Rung orthopair fuzzy Schweizer–Sklar prioritized Z-information. Sci Rep 16, 13890 (2026). https://doi.org/10.1038/s41598-025-27621-6

Schlüsselwörter: Batterien für Elektrofahrzeuge, Multi‑Kriterien‑Entscheidungsfindung, Fuzzy‑Logik, Unsicherheitsmodellierung, nachhaltige Technologie