Modélisation mathématique de la diffusion ionique et prédiction de l’état de charge dans les batteries sodium-ion par analyse de séries temporelles

Pourquoi de meilleures batteries comptent au quotidien

Des téléphones et ordinateurs portables aux voitures électriques et au stockage à l’échelle du réseau, la vie moderne dépend de plus en plus des batteries rechargeables. Les batteries à base de lithium dominent aujourd’hui, mais le lithium est relativement rare et coûteux. Le sodium, en revanche, est bon marché et abondant — pensez au sel de table ordinaire. Cette étude explore comment les batteries sodium-ion pourraient devenir plus sûres, plus durables et plus fiables en combinant des modèles physiques mathématiques avec l’intelligence artificielle moderne pour suivre la quantité d’énergie réellement disponible dans une batterie, connue sous le nom d’état de charge.

Du lithium au sodium : une alternative prometteuse

Les batteries lithium-ion ont alimenté l’essor de l’électronique portable grâce à leur grande densité énergétique et leur longue durée de vie. Pourtant, des préoccupations sur la disponibilité des ressources, le coût et la durabilité ont suscité l’intérêt pour les batteries sodium-ion, qui fonctionnent de manière similaire mais utilisent du sodium bien plus abondant. La technologie sodium-ion est encore en maturation et doit surmonter des obstacles avant un déploiement à grande échelle. L’un des plus grands défis est l’estimation précise de l’état de charge (SOC) — essentiellement le « indicateur de carburant » de la batterie. Des estimations erronées du SOC peuvent réduire la durée de vie de la batterie, diminuer l’autonomie des véhicules électriques et même présenter des risques de sécurité. Les méthodes traditionnelles infèrent le SOC principalement à partir de mesures de tension, qui peuvent être bruyantes et trompeuses en conditions réelles.

Observer le mouvement des ions à l’intérieur de la batterie

Pour construire un « indicateur de carburant » plus fidèle, les auteurs partent de la physique microscopique du mouvement des ions sodium à l’intérieur des électrodes solides de la batterie. Ils modélisent la façon dont les ions sodium diffusent à l’intérieur et à l’extérieur de petites particules sphériques constituant le matériau de l’électrode, en utilisant une équation classique de diffusion. En réécrivant cette équation sous une forme adimensionnelle, ils mettent en évidence quelques paramètres clés qui contrôlent la vitesse de déplacement des ions et leurs zones d’accumulation lors des phases de charge et de décharge. Plutôt que de s’en remettre uniquement à de lourdes simulations numériques, l’équipe applique une technique semi-analytique appelée méthode de collocation d’Hermite basée sur Laplace (LT-HCM) pour obtenir des formules compactes décrivant les profils de concentration ionique. Ces solutions sont ensuite confrontées à un schéma numérique bien connu, la méthode des différences finies, et montrent un excellent accord, ce qui renforce la confiance dans la validité du modèle de diffusion.

Apprendre à un réseau neuronal à lire les « signes vitaux » de la batterie

Fort de ce modèle physique, les chercheurs génèrent un large jeu de données propre montrant comment les concentrations ioniques et le SOC évoluent dans le temps sous différentes conditions de charge. Ils injectent ensuite ces séries temporelles dans plusieurs approches d’apprentissage automatique — dont la régression par vecteurs de support, la régression par processus gaussiens et les arbres à gradient boosté — mais se concentrent sur les réseaux de mémoire à long terme (LSTM), un type de réseau de neurones récurrent conçu pour traiter des séquences. Le LSTM apprend à associer l’évolution des concentrations ioniques au SOC aux électrodes négative et positive. En entraînant et en testant sur des jeux de données séparés, et en surveillant la baisse de l’erreur pendant l’apprentissage, ils montrent que le LSTM capture les tendances subtiles et à long terme de la diffusion que des modèles plus simples manquent. Parmi toutes les méthodes testées, le LSTM fournit les erreurs de prédiction du SOC les plus faibles.

Ce que révèlent les modèles sur le comportement de la batterie

Le cadre combinant physique et IA offre une image détaillée de la réorganisation des ions sodium à l’intérieur de la batterie pendant la charge et la décharge. Au début de la charge, les ions pénètrent lentement dans l’électrode négative, s’accumulant d’abord près de la surface avant de se diffuser progressivement vers l’intérieur. Sous un courant plus élevé, les ions s’accumulent plus rapidement, créant des gradients de concentration plus marqués et une résistance interne plus élevée. À l’approche de la pleine charge, la diffusion ralentit, la résistance augmente et la croissance du SOC se stabilise — des caractéristiques reproduites à la fois par les solutions LT-HCM et les prédictions du LSTM. Lors de la décharge, le phénomène inverse se produit : le SOC diminue de façon régulière, puis chute plus fortement lorsqu’une électrode approche de l’épuisement et l’autre de la saturation, signalant les limites pratiques de la capacité utilisable.

Un indicateur de carburant plus clair et plus intelligent pour les batteries sodium-ion

Pour un public non spécialiste, le message principal est que la combinaison de descriptions mathématiques du mouvement ionique et d’algorithmes d’apprentissage qui reconnaissent les motifs temporels permet d’obtenir un « indicateur de carburant » beaucoup plus précis et fiable. Plutôt que d’inférer le SOC uniquement à partir de la tension, cette méthode hybride lit plus profondément le fonctionnement interne de la batterie en suivant directement la concentration ionique et la répartition de la charge. Le résultat est une prédiction du SOC très précise avec un effort de calcul modeste, ce qui pourrait aider les batteries sodium-ion à fonctionner plus sûrement, durer plus longtemps et mieux s’intégrer aux véhicules électriques et aux systèmes d’énergie renouvelable — rapprochant une filière batterie plus durable de la réalité.

Citation: 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

Mots-clés: batteries sodium-ion, état de charge, modélisation de batterie, apprentissage automatique, LSTM