Modelo de decisión inteligente mejorado para baterías de vehículos eléctricos usando información Z priorizada basada en conjuntos q‑rung ortopares difusos Schweizer–Sklar

Por qué elegir la batería adecuada para un VE es tan complicado

Mientras los vehículos eléctricos pasan de ser una opción marginal a generalizada, la batería ubicada bajo el piso realiza gran parte del trabajo pesado. Determina la autonomía, la velocidad de recarga, la durabilidad antes de necesitar reemplazo y cuán segura y respetuosa con el medio ambiente es. Sin embargo, ingenieros y responsables de política deben escoger entre tecnologías de baterías rivales usando información que con frecuencia es incompleta, incierta o basada en opinión experta más que en cifras exactas. Este artículo presenta una nueva herramienta matemática de decisión diseñada para hacer esas elecciones más fiables cuando los datos son difusos.

Equilibrando muchas necesidades a la vez

Seleccionar una batería para un vehículo eléctrico es un clásico acto de equilibrio. Opciones como níquel‑cadmio, plomo‑ácido, sodio‑azufre, ion‑litio y baterías de flujo tienen cada una su mezcla de puntos fuertes y debilidades. Algunas se cargan rápido pero se desgastan antes; otras duran muchos años pero son voluminosas o requieren altas temperaturas de funcionamiento. Los decisores deben ponderar rendimiento técnico, coste, seguridad e impacto ambiental a la vez. Los métodos tradicionales de decisión suponen que cada criterio puede describirse con números precisos, pero los datos del mundo real sobre, por ejemplo, la vida en ciclos en climas extremos o las tasas de fallo en choques rara vez son tan nítidos.

De opiniones difusas a juicios estructurados

Para afrontar esta ambigüedad, los investigadores llevan tiempo usando conjuntos “difusos”, que permiten que algo sea en parte verdadero en lugar de simplemente sí o no. Refinamientos posteriores, como los conjuntos difusos intuicionistas y pitagóricos, añadieron formas de expresar vacilación o información contradictoria. El método propuesto en este artículo se basa en un marco aún más flexible llamado conjuntos q‑rung ortopares difusos, capaces de capturar grados muy altos de incertidumbre, y lo combina con números Z, un esquema que registra por separado tanto un valor como la confianza que los expertos tienen en ese valor. En términos sencillos, el modelo no solo registra que una batería se considera “alta” en seguridad, sino también cuán fiable es ese juicio.

Una forma ajustable de combinar criterios en conflicto

El segundo pilar del trabajo es una familia de reglas matemáticas, conocidas como operadores de agregación Schweizer–Sklar, usadas para mezclar muchas entradas inciertas en una puntuación global. A diferencia del promedio simple, estos operadores tienen un control de ajuste integrado que permite a los decisores inclinarse hacia estrategias más cautelosas o más audaces sin rediseñar todo el modelo. Cuando se configuran para ser más conservadores, el método actúa como si dijera: “todos los criterios clave deben ser razonablemente buenos”; cuando se muestran más optimistas, permiten que una fortaleza destacada en un área compense debilidades en otras. Los autores extienden estas reglas para que funcionen de forma fluida con el marco combinado de difuso y números Z y permiten asignar prioridades y pesos a distintos criterios.

Probando el método en elecciones reales de baterías

Para ver cómo funciona el modelo, los autores lo aplican a un estudio de caso realista que compara cinco tecnologías de baterías para uso en vehículos eléctricos. Expertos califican cada opción en tres aspectos cruciales: tiempo de carga, vida en ciclos y seguridad. Estas valoraciones verbales (“baja”, “media”, “alta”, etc.) se traducen al nuevo formato difuso, incluyendo tanto la evaluación en sí como la confianza de los expertos en ella. Los operadores propuestos agregan después esta información de varias maneras ligeramente diferentes, y cada batería recibe una puntuación final. En todas las versiones del método, las baterías de ion‑litio emergen sistemáticamente como la mejor opción, seguidas de cerca por las de sodio‑azufre y las de flujo, mientras que níquel‑cadmio y plomo‑ácido quedan rezagadas por su vida más corta, recarga más lenta o mayores preocupaciones ambientales. Un análisis separado usando una técnica conocida como WASPAS, adaptada al mismo marco difuso, produce la misma mejor elección, lo que da credibilidad al nuevo enfoque.

Resultados robustos, incluso cuando cambian las prioridades

El estudio también explora qué ocurre cuando se modifican los parámetros de ajuste en los operadores Schweizer–Sklar, emulando actitudes más adversas o más tolerantes al riesgo. Aunque las puntuaciones numéricas exactas cambian, la clasificación de las baterías permanece notablemente estable: ion‑litio se mantiene en primer lugar, el grupo intermedio queda en el medio y las opciones más débiles se mantienen al final. Esta estabilidad es importante en la práctica, porque sugiere que el método no es excesivamente sensible a elecciones subjetivas sobre cómo combinar criterios y que sus conclusiones no se desmoronan fácilmente con pequeños cambios de modelado.

Qué significa esto para los vehículos eléctricos y más allá

En términos cotidianos, el artículo ofrece una calculadora más matizada para decisiones difíciles donde la evidencia es incompleta y las opiniones de los expertos difieren. Para los vehículos eléctricos, respalda el enfoque actual de la industria en las baterías de ion‑litio mientras abre espacio para comparar tecnologías emergentes de manera justa y transparente. Más ampliamente, el mismo marco podría ayudar en otras decisiones complejas de sostenibilidad, como la ubicación de estaciones de recarga, la selección de almacenamiento energético para la red o la evaluación de tecnologías verdes. Al representar explícitamente tanto la incertidumbre como la confianza, y al dar a los decisores una forma ajustable de sopesar objetivos en competencia, el modelo propuesto convierte juicios del mundo real, desordenados, en una guía más clara sin pretender que el mundo sea más simple de lo que es.

Cita: 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

Palabras clave: baterías de vehículos eléctricos, toma de decisiones multicriterio, lógica difusa, modelado de la incertidumbre, tecnología sostenible