Modèle décisionnel intelligent amélioré pour les batteries de véhicules électriques utilisant les q-rung orthopair fuzzy Schweizer–Sklar prioritised Z-information

Pourquoi choisir la bonne batterie pour VE est si délicat

Alors que les véhicules électriques passent d’un marché de niche au grand public, la batterie dissimulée sous le plancher assume une charge considérable. Elle détermine l’autonomie, la vitesse de recharge, la durée de vie avant remplacement, ainsi que la sécurité et l’impact environnemental. Pourtant, ingénieurs et décideurs doivent choisir entre des technologies concurrentes à partir d’informations souvent incomplètes, incertaines ou fondées sur l’avis d’experts plutôt que sur des données strictes. Cet article présente un nouvel outil mathématique de décision conçu pour rendre ces choix plus fiables quand les faits sont flous.

Concilier de nombreux besoins à la fois

La sélection d’une batterie pour véhicule électrique est un exercice d’équilibre typique. Des options telles que nickel‑cadmium, plomb‑acide, sodium‑soufre, lithium‑ion et batteries à flux présentent chacune un mélange de forces et de faiblesses. Certaines se rechargent rapidement mais s’usent plus vite ; d’autres durent de nombreuses années mais sont encombrantes ou nécessitent des températures de fonctionnement élevées. Les décideurs doivent peser simultanément performances techniques, coût, sécurité et impact environnemental. Les méthodes de décision traditionnelles supposent que chaque critère peut être décrit par des nombres précis, mais les données réelles — par exemple la durée de vie en cycles dans des climats difficiles ou les taux de défaillance lors d’accidents — sont rarement aussi nettes.

Des avis flous à des jugements structurés

Pour gérer cette ambiguïté, les chercheurs utilisent depuis longtemps des ensembles « flous », qui permettent d’exprimer des degrés de vérité plutôt qu’un simple oui/non. Des raffinements ultérieurs, comme les ensembles flous intuitionnistes et pythagoriciens, ont ajouté des moyens d’exprimer l’hésitation ou des informations contradictoires. La méthode proposée dans cet article repose sur un cadre encore plus flexible appelé ensembles flous q‑rung orthopair, capables de capter des degrés d’incertitude très élevés, et le combine avec des Z‑nombres, un schéma qui enregistre séparément une valeur et la confiance des experts dans cette valeur. Concrètement, le modèle enregistre non seulement qu’une batterie est jugée « élevée » en sécurité, mais aussi à quel point ce jugement est fiable.

Une façon paramétrable de combiner des critères conflictuels

Le second pilier du travail est une famille de règles mathématiques, connues sous le nom d’opérateurs d’agrégation Schweizer–Sklar, utilisées pour fusionner de nombreux inputs incertains en un score global. Contrairement à une moyenne simple, ces opérateurs disposent d’un réglage intégré qui permet aux décideurs d’adopter des stratégies plus prudentes ou plus audacieuses sans repenser le modèle entier. Lorsqu’on les règle pour être plus conservateurs, la méthode se comporte comme si elle disait « tous les critères clés doivent être raisonnablement bons » ; lorsqu’on les rend plus optimistes, elle permet qu’une grande force dans un domaine compense des faiblesses ailleurs. Les auteurs étendent ces règles pour qu’elles fonctionnent harmonieusement avec le cadre combiné flou et Z‑nombre et permettent d’attribuer des priorités et des poids aux différents critères.

Tester la méthode sur des choix réels de batteries

Pour évaluer la performance du modèle, les auteurs l’appliquent à une étude de cas réaliste comparant cinq technologies de batteries pour véhicules électriques. Des experts évaluent chaque option sur trois aspects cruciaux : temps de charge, durée de vie en cycles et sécurité. Ces évaluations verbales (« faible », « moyen », « élevé », etc.) sont traduites dans le nouveau format flou, incluant à la fois la note elle‑même et la confiance des experts dans cette note. Les opérateurs proposés agrègent ensuite ces informations de plusieurs manières légèrement différentes, et chaque batterie reçoit un score final. Dans toutes les variantes de la méthode, les batteries lithium‑ion émergent systématiquement comme le meilleur choix, suivies de près par les batteries sodium‑soufre et à flux, tandis que nickel‑cadmium et plomb‑acide restent en retrait en raison d’une durée de vie plus courte, de recharges plus lentes ou de préoccupations environnementales plus importantes. Une analyse séparée utilisant une technique bien connue appelée WASPAS, adaptée au même cadre flou, produit le même meilleur choix, renforçant la crédibilité de la nouvelle approche.

Des résultats robustes, même lorsque les priorités changent

L’étude explore également ce qui se passe lorsque les paramètres de réglage des opérateurs Schweizer–Sklar sont modifiés, simulant des attitudes plus averses ou plus tolérantes au risque. Bien que les scores numériques précis varient, le classement des batteries reste remarquablement stable : le lithium‑ion conserve la première place, le groupe intermédiaire reste au milieu et les options les plus faibles restent en bas du classement. Cette stabilité est importante en pratique, car elle suggère que la méthode n’est pas excessivement sensible aux choix subjectifs concernant la façon de combiner les critères, et que ses conclusions ne sont pas facilement renversées par de petits changements de modélisation.

Ce que cela signifie pour les véhicules électriques et au‑delà

En termes concrets, l’article propose une calculatrice plus nuancée pour des choix difficiles où les preuves sont incomplètes et les avis d’experts divergent. Pour les véhicules électriques, il soutient l’orientation actuelle de l’industrie vers les batteries lithium‑ion tout en permettant de comparer de manière équitable et transparente des technologies émergentes. Plus largement, le même cadre pourrait aider à d’autres décisions complexes en matière de durabilité, comme l’implantation de bornes de recharge, la sélection de stockages d’énergie pour le réseau, ou l’évaluation de technologies vertes. En représentant explicitement à la fois l’incertitude et la confiance, et en offrant aux décideurs un moyen paramétrable de mettre en balance des objectifs concurrents, le modèle proposé transforme des jugements du monde réel souvent confus en orientations plus claires sans prétendre que le monde est plus simple qu’il ne l’est.

Citation: 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

Mots-clés: batteries de véhicules électriques, prise de décision multicritère, logique floue, modélisation de l'incertitude, technologie durable