Mathematische Modellierung der Ionendiffusion und Vorhersage des Ladezustands in Natrium-Ionen-Batterien mittels Zeitreihenanalyse

Warum bessere Batterien im Alltag wichtig sind

Von Telefonen und Laptops bis zu Elektroautos und netzgebundenen Speichern hängt das moderne Leben zunehmend von wiederaufladbaren Batterien ab. Heute dominieren Lithium-basierte Batterien, doch Lithium ist relativ selten und teuer. Natrium hingegen ist billig und reichlich vorhanden — denken Sie an gewöhnliches Speisesalz. Diese Studie untersucht, wie Natrium-Ionen-Batterien durch die Kombination physikbasierter Mathematik mit moderner künstlicher Intelligenz sicherer, langlebiger und zuverlässiger gemacht werden können, indem man genauer verfolgt, wie viel Energie eine Batterie tatsächlich noch hat, also ihren Ladezustand (State of Charge, SOC).

Von Lithium zu Natrium: eine vielversprechende Alternative

Lithium-Ionen-Batterien haben den Boom tragbarer Elektronik dank hoher Energiedichte und langer Lebensdauer ermöglicht. Dennoch haben Fragen zur Rohstoffverfügbarkeit, zu Kosten und Nachhaltigkeit das Interesse an Natrium-Ionen-Batterien geweckt, die ähnlich funktionieren, aber weitaus reichlicheres Natrium verwenden. Die Natrium-Ionen-Technologie steckt noch in der Entwicklung und muss Hindernisse überwinden, bevor sie großflächig eingesetzt werden kann. Eine der größten Herausforderungen ist die genaue Abschätzung des Ladezustands (SOC) — im Wesentlichen die „Tankanzeige“ der Batterie. Ungenaue SOC-Schätzungen können die Batterielebensdauer verkürzen, die Reichweite von Elektrofahrzeugen verringern und sogar Sicherheitsrisiken darstellen. Traditionelle Methoden leiten den SOC meist aus Spannungsmessungen ab, die unter realen Bedingungen verrauscht und irreführend sein können.

Beobachtung der Ionenbewegung im Inneren der Batterie

Um eine treffsicherere „Tankanzeige“ zu entwickeln, beginnen die Autoren bei der mikroskopischen Physik der Natrium-Ionenbewegung in den festen Elektroden der Batterie. Sie modellieren, wie Natriumionen in und aus winzigen kugelförmigen Partikeln diffundieren, die das Elektrodenmaterial bilden, und verwenden dazu eine klassische Diffusionsgleichung. Durch die Umformulierung dieser Gleichung in eine dimensionslose Form heben sie einige Schlüsselfaktoren hervor, die steuern, wie schnell Ionen sich bewegen und wo sie sich beim Laden und Entladen ansammeln. Anstatt sich ausschließlich auf aufwändige numerische Simulationen zu stützen, wendet das Team eine semi-analytische Technik an, die Laplace-basierte Hermite-Kollokationsmethode (LT-HCM), um kompakte Formeln für die Ionenkonzentrationsprofile zu erhalten. Diese Lösungen werden anschließend mit einem etablierten numerischen Schema, der Finite-Differenzen-Methode, verglichen und zeigen exzellente Übereinstimmung, was Vertrauen in die Genauigkeit des Diffusionsmodells schafft.

Einem neuronalen Netz beibringen, die „Vitalzeichen“ der Batterie zu lesen

Mit diesem physikbasierten Modell erzeugen die Forschenden einen großen, sauberen Datensatz, der zeigt, wie sich Ionenkonzentrationen und SOC im Zeitverlauf unter verschiedenen Ladeszenarien entwickeln. Diese Zeitreihen werden in mehrere Ansätze des maschinellen Lernens eingespeist — darunter Support Vector Regression, Gaussian Process Regression und Gradient-Boosted Trees — wobei der Schwerpunkt auf Long Short-Term Memory (LSTM)-Netzen liegt, einer Klasse rekurrenter neuronaler Netze, die für Sequenzen ausgelegt sind. Das LSTM lernt, die sich entwickelnden Ionenkonzentrationen auf den SOC an sowohl negativer als auch positiver Elektrode abzubilden. Durch Training und Testen auf getrennten Datensätzen und die Überwachung des Fehlerabbaus während des Trainings zeigen die Autoren, dass das LSTM subtile, langzeitliche Trends in der Diffusion erfasst, die einfachere Modelle übersehen. Unter allen getesteten Methoden erzielt das LSTM die geringsten Vorhersagefehler für den SOC.

Was die Modelle über das Batterie-Verhalten offenbaren

Das kombinierte Physik-und-KI-Framework liefert ein detailliertes Bild davon, wie sich Natriumionen während Lade- und Entladevorgängen im Inneren der Batterie umverteilen. Zu Beginn des Ladevorgangs dringen Ionen langsam in die negative Elektrode ein und häufen sich zunächst stärker in der Nähe der Oberfläche, bevor sie allmählich nach innen diffundieren. Bei höheren Strömen stapeln sich die Ionen schneller auf, wodurch steilere Konzentrationsgradienten und ein höherer innerer Widerstand entstehen. Wenn die Batterie die volle Ladung annähert, verlangsamt sich die Diffusion, der Widerstand steigt und das SOC-Wachstum flacht ab — Merkmale, die sowohl die LT-HCM-Lösungen als auch die LSTM-Vorhersagen reproduzieren. Beim Entladen geschieht das Gegenteil: Der SOC sinkt gleichmäßig und fällt dann schärfer ab, wenn eine Elektrode einer Erschöpfung und die andere einer Sättigung nahekommt, was die praktischen Grenzen der nutzbaren Kapazität signalisiert.

Eine klarere, intelligentere Tankanzeige für Natrium-Ionen-Batterien

Für Nichtfachleute lautet die zentrale Botschaft: Die Kombination mathematischer Beschreibungen der Ionenbewegung mit Lernalgorithmen, die zeitliche Muster erkennen, liefert eine deutlich schärfere und verlässlichere „Tankanzeige“ für Batterien. Anstatt den SOC allein aus der Spannung abzuleiten, dringt diese hybride Methode tiefer in die internen Vorgänge der Batterie ein und verfolgt direkt Ionenkonzentration und Ladungsverteilung. Das Ergebnis ist eine hochpräzise SOC-Vorhersage bei modestem Rechenaufwand, die dazu beitragen könnte, Natrium-Ionen-Batterien sicherer zu betreiben, ihre Lebensdauer zu verlängern und sie besser in Elektrofahrzeuge und erneuerbare Energiesysteme zu integrieren — und so eine nachhaltigere Batteriezukunft näher zu bringen.

Zitation: 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

Schlüsselwörter: Natrium-Ionen-Batterien, Ladezustand, Batteriemodellierung, maschinelles Lernen, LSTM