Wiskundige modellering van ionendiffusie en voorspelling van de laadstatus in natrium-ionbatterijen met tijdreeksanalyse

Waarom betere batterijen belangrijk zijn voor het dagelijks leven

Van telefoons en laptops tot elektrische auto’s en opslag op netwerkniveau: het moderne leven is steeds meer afhankelijk van oplaadbare batterijen. Lithium-gebaseerde batterijen domineren momenteel, maar lithium is relatief schaars en duur. Natrium daarentegen is goedkoop en overvloedig—denk aan gewoon keukenzout. Deze studie onderzoekt hoe natrium-ionbatterijen veiliger, duurzamer en betrouwbaarder kunnen worden gemaakt door fysica-gebaseerde wiskunde te combineren met moderne kunstmatige intelligentie om nauwkeurig te volgen hoeveel energie een batterij werkelijk nog heeft, bekend als de laadstatus (state of charge).

Van lithium naar natrium: een veelbelovend alternatief

Lithium-ionbatterijen hebben de draagbare elektronica-revolutie aangedreven dankzij hun hoge energiedichtheid en lange levensduur. Maar zorgen over beschikbaarheid van grondstoffen, kosten en duurzaamheid hebben de interesse in natrium-ionbatterijen aangewakkerd, die op een vergelijkbare manier werken maar veel vaker voorkomende natrium gebruiken. De technologie van natrium-ionbatterijen is nog in ontwikkeling en moet drempels overwinnen voordat grootschalige inzet mogelijk is. Een van de grootste uitdagingen is het nauwkeurig schatten van de laadstatus (SOC)—in wezen de ‘brandstofmeter’ van de batterij. Slechte SOC-schattingen kunnen de levensduur van de batterij verkorten, de actieradius van elektrische voertuigen verminderen en zelfs veiligheidsrisico’s met zich meebrengen. Traditionele methoden leiden SOC vooral af uit spanningsmetingen, die ruisig en misleidend kunnen zijn onder realistische omstandigheden.

Het volgen van ionenbewegingen binnenin de batterij

Om een meer betrouwbare ‘brandstofmeter’ te bouwen, vertrekt het team vanuit de microscopische fysica van natriumionen die zich binnen de vaste elektroden van de batterij bewegen. Zij modelleren hoe natriumionen in en uit kleine bolvormige deeltjes diffunderen die het elektrodemateriaal vormen, met behulp van een klassieke diffusievergelijking. Door deze vergelijking dimensieloos te maken, brengen ze enkele sleutelparameters naar voren die bepalen hoe snel ionen bewegen en waar ze zich ophopen tijdens laden en ontladen. In plaats van uitsluitend te vertrouwen op zware numerieke simulaties, passen de onderzoekers een semi-analytische techniek toe, de Laplace-based Hermite Collocation Method (LT-HCM), om compacte formules voor de ionconcentratieprofielen te verkrijgen. Deze oplossingen worden vervolgens gecontroleerd met een bekend numeriek schema, de differentiemethode met eindige verschillen, en tonen uitstekende overeenstemming, wat vertrouwen geeft dat het diffusie­model accuraat is.

Een neurale netwerk leren de ‘vitale tekenen’ van de batterij te lezen

Met dit fysica-gebaseerde model genereren de onderzoekers een grote, schone dataset die laat zien hoe ionconcentraties en SOC in de loop van de tijd evolueren onder verschillende laadomstandigheden. Ze voeren deze tijdreeksen in meerdere machine learning-benaderingen—waaronder support vector regression, Gaussian process regression en gradient-boosted trees—but richten zich op long short-term memory (LSTM)-netwerken, een type recurrent neuraal netwerk dat ontworpen is om sequenties te verwerken. De LSTM leert de evoluerende ionconcentraties te koppelen aan de SOC bij zowel de negatieve als positieve elektrode. Door te trainen en testen op gescheiden datasets en te monitoren hoe de fout daalt tijdens het trainen, tonen zij aan dat de LSTM subtiele, langetermijntrends in diffusie vastlegt die eenvoudigere modellen missen. Van alle geteste methoden levert de LSTM de laagste voorspellingsfouten voor SOC.

Wat de modellen onthullen over batterijgedrag

Het gecombineerde fysica-en-AI-kader biedt een gedetailleerd beeld van hoe natriumionen zich tijdens laden en ontladen herschikken binnen de batterij. Aan het begin van het laden dringen ionen langzaam de negatieve elektrode binnen en bouwen ze zich sterker op nabij het oppervlak voordat ze geleidelijk naar binnen verspreiden. Bij hogere stromen hopen ionen zich sneller op, waardoor scherpere concentratiegradiënten en hogere interne weerstand ontstaan. Naarmate de batterij bijna vol is, vertraagt de diffusie, neemt de weerstand toe en vlakt de SOC-groei af—kenmerken die zowel de LT-HCM-oplossingen als de LSTM-voorspellingen reproduceren. Tijdens ontladen gebeurt het omgekeerde: SOC daalt gestaag en daalt vervolgens scherper wanneer één elektrode bijna uitgeput raakt en de andere verzadigd, wat de praktische grenzen van bruikbare capaciteit aangeeft.

Een duidelijkere, slimere brandstofmeter voor natrium-ionbatterijen

Voor niet-specialisten is de kernboodschap dat het combineren van wiskundige beschrijvingen van ionbewegingen met leeralgoritmen die tijdspatronen herkennen, resulteert in een veel scherpere en betrouwbaardere ‘brandstofmeter’ voor batterijen. In plaats van SOC uitsluitend uit spanning af te leiden, leest deze hybride methode dieper in de interne werking van de batterij door ionconcentratie en ladingsverdeling direct te volgen. Het resultaat is een zeer nauwkeurige SOC-voorspelling met bescheiden rekeninspanning, wat kan helpen natrium-ionbatterijen veiliger te laten werken, langer mee te laten gaan en beter te integreren in elektrische voertuigen en hernieuwbare-energiesystemen—en zo een meer duurzame batterijtoekomst dichterbij te brengen.

Bronvermelding: 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

Trefwoorden: natrium-ionbatterijen, laadtoestand, batterijmodellering, machine learning, LSTM