Modellazione matematica della diffusione degli ioni e previsione dello stato di carica nelle batterie agli ioni di sodio con analisi di serie temporali

Perché batterie migliori contano nella vita quotidiana

Da telefoni e laptop a auto elettriche e accumuli su larga scala, la vita moderna dipende sempre più dalle batterie ricaricabili. Oggi dominano le batterie a base di litio, ma il litio è relativamente scarso e costoso. Il sodio, al contrario, è economico e abbondante—pensate al comune sale da cucina. Questo studio esplora come le batterie agli ioni di sodio possano diventare più sicure, durature e affidabili combinando matematica basata sulla fisica con l’intelligenza artificiale moderna per stimare quanto energia rimane veramente in una batteria, noto come stato di carica.

Dal litio al sodio: un’alternativa promettente

Le batterie agli ioni di litio hanno alimentato il boom dell’elettronica portatile grazie all’elevata densità energetica e alla lunga durata. Tuttavia, preoccupazioni su disponibilità delle risorse, costi e sostenibilità hanno stimolato l’interesse per le batterie agli ioni di sodio, che funzionano in modo simile ma utilizzano sodio molto più abbondante. La tecnologia al sodio è ancora in fase di maturazione e deve superare ostacoli prima della diffusione su larga scala. Una delle sfide principali è stimare con precisione lo stato di carica (SOC)—essenzialmente il “contagiri” della batteria. Stime errate del SOC possono ridurre la vita utile della batteria, diminuire l’autonomia dei veicoli elettrici e persino comportare rischi per la sicurezza. I metodi tradizionali deducono il SOC principalmente dalle misurazioni di tensione, che possono essere rumorose e fuorvianti in condizioni reali.

Osservare il movimento degli ioni all’interno della batteria

Per costruire un “contagiri” più fedele, gli autori partono dalla fisica microscopica del movimento degli ioni di sodio all’interno degli elettrodi solidi della batteria. Modellano come gli ioni di sodio diffondono dentro e fuori piccole particelle sferiche che compongono il materiale dell’elettrodo, usando un’equazione classica di diffusione. Riscrivendo questa equazione in forma adimensionale, mettono in evidenza pochi parametri chiave che controllano la velocità di movimento degli ioni e dove si accumulano durante carica e scarica. Invece di affidarsi esclusivamente a pesanti simulazioni numeriche, il team applica una tecnica semianalitica chiamata Metodo di Collocazione di Hermite basato su Laplace (LT-HCM) per ottenere formule compatte dei profili di concentrazione ionica. Queste soluzioni vengono poi confrontate con un noto schema numerico, il metodo delle differenze finite, e mostrano un eccellente accordo, dando fiducia nell’accuratezza del modello di diffusione.

Addestrare una rete neurale a leggere i “segni vitali” della batteria

Muniti di questo modello basato sulla fisica, i ricercatori generano un ampio e pulito set di dati che mostra come le concentrazioni ioniche e il SOC evolvono nel tempo sotto diverse condizioni di carica. Alimentano poi queste serie temporali in diversi approcci di apprendimento automatico—inclusi support vector regression, Gaussian process regression e alberi potenziati—ma si concentrano sulle reti LSTM (long short-term memory), un tipo di rete ricorrente progettata per gestire sequenze. L’LSTM impara a mappare l’evoluzione delle concentrazioni ioniche sul SOC ai terminali negativo e positivo. Addestrando e testando su suddivisioni di dati separate e monitorando la riduzione dell’errore durante l’apprendimento, dimostrano che l’LSTM cattura le tendenze sottili e a lungo termine nella diffusione che modelli più semplici trascurano. Tra tutti i metodi testati, l’LSTM fornisce gli errori di previsione del SOC più bassi.

Cosa rivelano i modelli sul comportamento della batteria

Il framework combinato fisica‑e‑IA offre un quadro dettagliato di come gli ioni di sodio si riorganizzano all’interno della batteria durante carica e scarica. All’inizio della carica, gli ioni entrano lentamente nell’elettrodo negativo, accumulandosi più intensamente vicino alla superficie prima di diffondersi gradualmente verso l’interno. Con correnti più alte, gli ioni si accumulano più rapidamente, creando gradienti di concentrazione più pronunciati e una resistenza interna maggiore. Avvicinandosi alla piena carica, la diffusione rallenta, la resistenza aumenta e la crescita del SOC si appiattisce—caratteristiche che sia le soluzioni LT-HCM sia le previsioni dell’LSTM riproducono. Durante la scarica avviene l’opposto: il SOC diminuisce in modo uniforme, poi cala più rapidamente quando un elettrodo si avvicina all’esaurimento e l’altro alla saturazione, segnalando i limiti pratici della capacità utilizzabile.

Un contagiri più chiaro e intelligente per le batterie agli ioni di sodio

Per i non specialisti, il messaggio chiave è che combinare descrizioni matematiche del movimento ionico con algoritmi di apprendimento che riconoscono i pattern temporali produce un “contagiri” della batteria molto più preciso e affidabile. Invece di dedurre il SOC solo dalla tensione, questo metodo ibrido scava più a fondo nel funzionamento interno della batteria, monitorando direttamente la concentrazione ionica e la distribuzione della carica. Il risultato è una previsione del SOC altamente accurata con uno sforzo computazionale modesto, che potrebbe aiutare le batterie agli ioni di sodio a operare in modo più sicuro, durare più a lungo e integrarsi meglio in veicoli elettrici e sistemi di energie rinnovabili—avvicinando a una realtà più sostenibile il futuro delle batterie.

Citazione: 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

Parole chiave: batterie agli ioni di sodio, stato di carica, modellazione delle batterie, apprendimento automatico, LSTM