Modelado matemático de la difusión de iones y predicción del estado de carga en baterías de ion sodio mediante análisis de series temporales

Por qué unas mejores baterías importan en la vida cotidiana

Desde teléfonos y ordenadores portátiles hasta coches eléctricos y almacenamiento a escala de red, la vida moderna depende cada vez más de baterías recargables. Hoy predominan las baterías a base de litio, pero el litio es relativamente escaso y caro. El sodio, en cambio, es barato y abundante —piense en la sal de mesa común. Este estudio explora cómo las baterías de ion sodio podrían hacerse más seguras, duraderas y fiables combinando matemáticas basadas en la física con técnicas modernas de inteligencia artificial para seguir cuánto energía le queda realmente a una batería, conocido como su estado de carga.

Del litio al sodio: una alternativa prometedora

Las baterías de ion litio han impulsado la explosión de la electrónica portátil gracias a su alta densidad energética y larga vida útil. No obstante, las preocupaciones sobre la disponibilidad de recursos, el coste y la sostenibilidad han despertado interés en las baterías de ion sodio, que funcionan de forma similar pero utilizan sodio, mucho más abundante. La tecnología de ion sodio aún está madurando y debe superar obstáculos antes de su implantación a gran escala. Uno de los mayores desafíos es estimar con precisión el estado de carga (SOC), esencialmente el “indicador de combustible” de la batería. Estimaciones pobres del SOC pueden acortar la vida útil de la batería, reducir la autonomía en vehículos eléctricos e incluso plantear riesgos de seguridad. Los métodos tradicionales deducen el SOC principalmente a partir de mediciones de tensión, que pueden ser ruidosas y llevar a errores en condiciones del mundo real.

Observando el movimiento de los iones dentro de la batería

Para construir un “indicador de combustible” más fiel, los autores parten de la física microscópica del movimiento de los iones de sodio dentro de los electrodos sólidos de la batería. Modelan cómo los iones de sodio se difunden hacia dentro y hacia fuera de pequeñas partículas esféricas que componen el material del electrodo, usando una ecuación clásica de difusión. Al reescribir esta ecuación en forma adimensional, resaltan algunos parámetros clave que controlan la rapidez del movimiento iónico y dónde se acumulan durante la carga y la descarga. En lugar de confiar únicamente en costosas simulaciones numéricas, el equipo aplica una técnica semi-analítica llamada Método de Colocación Hermita basado en Laplace (LT-HCM) para obtener fórmulas compactas de los perfiles de concentración iónica. Estas soluciones se verifican luego frente a un esquema numérico bien conocido, el método de diferencias finitas, y muestran un excelente acuerdo, lo que da confianza en que el modelo de difusión es preciso.

Enseñar a una red neuronal a leer los “signos vitales” de la batería

Armados con este modelo basado en la física, los investigadores generan un gran conjunto de datos limpio que muestra cómo evolucionan las concentraciones iónicas y el SOC a lo largo del tiempo bajo distintas condiciones de carga. Luego alimentan estas series temporales a varios enfoques de aprendizaje automático —incluyendo regresión por vectores de soporte, regresión por procesos Gaussianos y árboles potenciados por gradiente—, pero se centran en redes LSTM (long short-term memory), un tipo de red neuronal recurrente diseñada para manejar secuencias. La LSTM aprende a mapear las concentraciones iónicas en evolución hacia el SOC en los electrodos negativo y positivo. Al entrenar y probar con particiones de datos separadas y monitorizar la caída del error durante el entrenamiento, muestran que la LSTM captura las tendencias sutiles y de largo plazo en la difusión que modelos más simples no detectan. Entre todos los métodos probados, la LSTM ofrece los errores de predicción de SOC más bajos.

Lo que los modelos revelan sobre el comportamiento de la batería

El marco combinado de física e IA ofrece una imagen detallada de cómo los iones de sodio se reorganizan dentro de la batería durante la carga y la descarga. Al inicio de la carga, los iones entran lentamente en el electrodo negativo, acumulándose más cerca de la superficie antes de difundirse gradualmente hacia el interior. Con corrientes más altas, los iones se acumulan más rápido, creando gradientes de concentración más pronunciados y mayor resistencia interna. Conforme la batería se acerca a la carga completa, la difusión se ralentiza, la resistencia aumenta y el crecimiento del SOC se estabiliza —rasgos que tanto las soluciones LT-HCM como las predicciones de la LSTM reproducen. Durante la descarga ocurre lo inverso: el SOC cae de forma sostenida y luego disminuye más abruptamente cuando un electrodo se aproxima al agotamiento y el otro a la saturación, señalando los límites prácticos de la capacidad utilizable.

Un indicador de combustible más claro e inteligente para baterías de ion sodio

Para no especialistas, el mensaje clave es que combinar descripciones matemáticas del movimiento iónico con algoritmos de aprendizaje que reconocen patrones temporales produce un “indicador de combustible” mucho más nítido y fiable. En lugar de inferir el SOC solo a partir de la tensión, este método híbrido lee más profundamente el funcionamiento interno de la batería, rastreando directamente la concentración de iones y la distribución de carga. El resultado es una predicción del SOC muy precisa con un esfuerzo computacional moderado, lo que podría ayudar a que las baterías de ion sodio funcionen de forma más segura, duren más y se integren mejor en vehículos eléctricos y sistemas de energía renovable —acercando a la realidad un futuro de baterías más sostenible.

Cita: 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

Palabras clave: baterías de ion sodio, estado de carga, modelado de baterías, aprendizaje automático, LSTM