時系列解析を用いたナトリウムイオン電池におけるイオン拡散の数理モデリングと荷電状態予測

より良い電池が日常生活にもたらす意義

携帯電話やノートパソコンから電気自動車や大規模蓄電まで、現代生活はますます充電式電池に依存しています。現在はリチウム系電池が主流ですが、リチウムは比較的希少で高価です。一方でナトリウムは安価で豊富に存在します—食塩を思い浮かべてください。本研究は、物理に基づく数学モデルと最新の人工知能を組み合わせることで、電池に実際に残っているエネルギー量、すなわち荷電状態（SOC）を正確に把握し、ナトリウムイオン電池をより安全で長寿命かつ信頼性の高いものにする可能性を探ります。

リチウムからナトリウムへ：有望な代替

リチウムイオン電池は高いエネルギー密度と長寿命により携帯機器ブームを支えてきました。しかし、資源の可用性やコスト、持続可能性に関する懸念から、より豊富な資源であるナトリウムを用いるナトリウムイオン電池への関心が高まっています。ナトリウムイオン技術はまだ成熟途上であり、大規模展開にはいくつかの課題を克服する必要があります。最大の課題の一つが荷電状態（SOC）を正確に推定することです。SOCの推定が不正確だと電池寿命が短くなったり、電気自動車の航続距離が減ったり、安全性に問題が生じたりします。従来の手法は主に電圧測定からSOCを推定しますが、実運用下では電圧がノイズを含み誤解を招きやすいことがあります。

電池内部でイオンが動く様子を観察する

より忠実な“燃料計”を作るために、著者らは電池の固体電極内でのナトリウムイオンの微視的な運動から出発します。電極材料を構成する微小な球状粒子内でナトリウムイオンが拡散して入出する様子を古典的な拡散方程式でモデル化しています。この方程式を無次元化して書き換えることで、イオンの移動速度や充放電中にどこに蓄積するかを支配するいくつかの重要なパラメータが浮かび上がります。大規模な数値シミュレーションに完全に頼る代わりに、研究チームはラプラス変換に基づくエルミート配置法（LT-HCM）と呼ばれる半解析的手法を適用し、イオン濃度プロファイルのコンパクトな式を得ます。これらの解は有限差分法というよく知られた数値スキームと照合され、優れた一致を示し、拡散モデルの妥当性に自信を与えます。

電池の“バイタルサイン”を読み取るニューラルネットの学習

この物理に基づくモデルを用いて、研究者たちは異なる充電条件下でイオン濃度とSOCが時間とともにどう変化するかを示す大規模でクリーンなデータセットを生成します。これらの時系列データをサポートベクター回帰、ガウス過程回帰、勾配ブースティングツリーなど複数の機械学習手法に入力しますが、特に時系列処理に適した再帰型ニューラルネットワークの一種である長短期記憶（LSTM）ネットワークに焦点を当てます。LSTMは、時間発展するイオン濃度から負極および正極それぞれのSOCに写像することを学習します。訓練用データと検証用データを分けて学習・評価し、学習中の誤差の低下を監視することで、LSTMが単純なモデルでは捉えきれない拡散の微妙な長期的傾向を捉えていることを示します。テストした手法の中で、LSTMはSOC予測において最も低い誤差を出しました。

モデルが示す電池挙動の洞察

物理モデルとAIを組み合わせた枠組みは、充放電中にナトリウムイオンが電池内部でどう再配置されるかの詳細な像を提供します。充電開始時、イオンはまず負極にゆっくり入り、表面近傍に強く蓄積してから徐々に内側へ広がります。より大きな電流下ではイオンの蓄積が速く進み、より急峻な濃度勾配と高い内部抵抗が生じます。電池が満充電に近づくと拡散が遅くなり抵抗が上昇し、SOCの増加が頭打ちになります—これらはLT-HCM解とLSTMの予測の双方が再現する特徴です。放電時には逆の現象が起きます：SOCは安定して低下し、片方の電極が枯渇しもう一方が飽和に近づくと急激に落ち込み、実際に使える容量の限界を示します。

ナトリウムイオン電池のための、より明瞭で賢い燃料計

専門外の読者への要点は、イオンの移動を記述する数理モデルと時間パターンを識別する学習アルゴリズムを組み合わせることで、はるかに鮮明で信頼性の高い電池の“燃料計”が得られるということです。電圧だけからSOCを推定する代わりに、このハイブリッド手法はイオン濃度や荷電分布を直接追跡して電池内部をより深く読み取ります。その結果、計算コストは控えめでありながら非常に高精度なSOC予測が可能になり、ナトリウムイオン電池をより安全に、長持ちさせ、電気自動車や再生可能エネルギーシステムへの統合を促進することで、より持続可能な電池の未来を現実に近づける可能性があります。

引用: 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

キーワード: ナトリウムイオン電池, 荷電状態（SOC）, 電池モデリング, 機械学習, LSTM