Ulepszony inteligentny model decyzyjny dla baterii pojazdów elektrycznych z użyciem q‑Rung ortopair fuzzy Schweizer–Sklar z priorytetową informacją Z

Dlaczego wybór właściwej baterii do EV jest tak trudny

W miarę jak pojazdy elektryczne przechodzą z niszy do głównego nurtu, bateria umieszczona pod podłogą wykonuje dużą część ciężkiej pracy. To ona decyduje o zasięgu samochodu, szybkości ładowania, żywotności przed koniecznością wymiany oraz o bezpieczeństwie i wpływie na środowisko. Inżynierowie i decydenci muszą jednak wybierać między konkurującymi technologiami akumulatorów, dysponując często informacjami niepełnymi, niepewnymi lub opartymi na opiniach eksperckich zamiast na twardych danych. Artykuł przedstawia nowe matematyczne narzędzie decyzyjne zaprojektowane tak, by uczynić te wybory bardziej wiarygodnymi, gdy fakty są „rozmyte”.

Równoważenie wielu potrzeb jednocześnie

Wybór baterii do pojazdu elektrycznego to klasyczne zadanie równoważenia. Opcje takie jak niklowo‑kadmowe, kwasowo‑ołowiowe, sodowo‑siarkowe, litowo‑jonowe i przepływowe mają każdy swój zestaw zalet i wad. Niektóre ładują się szybko, ale szybciej się zużywają; inne służą przez wiele lat, lecz są masywne lub wymagają wysokich temperatur pracy. Decydenci muszą jednocześnie uwzględniać wydajność techniczną, koszty, bezpieczeństwo i wpływ na środowisko. Tradycyjne metody decyzyjne zakładają, że każde kryterium da się opisać precyzyjnymi liczbami, ale dane z rzeczywistości — na przykład dotyczące żywotności cykli w surowym klimacie czy wskaźników awaryjności przy kolizjach — rzadko bywają tak jednoznaczne.

Od rozmytych opinii do uporządkowanych ocen

Aby poradzić sobie z tą niejednoznacznością, badacze od dawna używają zbiorów „rozmytych”, które pozwalają na częściową prawdziwość zamiast prostego tak/nie. Późniejsze udoskonalenia, takie jak zbiory intuicjonistyczne i pitagorejskie rozmyte, dodały sposoby wyrażania wahania lub sprzecznych informacji. Metoda zaproponowana w artykule opiera się na jeszcze bardziej elastycznym frameworku zwanym q‑rung ortopair fuzzy sets, który może uchwycić bardzo wysokie stopnie niepewności, i łączy go z liczbami Z, schematem oddzielnie rejestrującym zarówno wartość, jak i zaufanie ekspertów do tej wartości. Mówiąc prościej: model nie tylko zapisuje, że bateria została oceniona jako „wysoka” pod względem bezpieczeństwa, lecz także jak wiarygodna jest ta ocena.

Regulowany sposób łączenia sprzecznych kryteriów

Drugim filarem pracy jest rodzina reguł matematycznych, znanych jako operatory agregacji Schweizer–Sklar, używanych do scalania wielu niepewnych wejść w ogólny wynik. W przeciwieństwie do prostego uśredniania, te operatory mają wbudowane pokrętło dostrajające, które pozwala decydentom skłaniać się ku strategiom ostrożnym lub odważnym bez konieczności przebudowy całego modelu. Gdy ustawione są bardziej konserwatywnie, metoda zachowuje się tak, jakby mówiła: „wszystkie kluczowe kryteria muszą być rozsądnie dobre”; ustawione bardziej optymistycznie pozwalają na to, by wybitna zaleta w jednej dziedzinie rekompensowała słabości w innych. Autorzy rozszerzają te reguły tak, aby działały płynnie w połączonym środowisku rozmytym i z‑liczb oraz pozwalają przypisywać priorytety i wagi różnym kryteriom.

Testowanie metody na rzeczywistych wyborach baterii

Aby sprawdzić skuteczność modelu, autorzy zastosowali go w realistycznym studium przypadku porównującym pięć technologii baterii do zastosowania w pojazdach elektrycznych. Eksperci oceniają każdą opcję pod kątem trzech istotnych aspektów: czasu ładowania, żywotności cyklu i bezpieczeństwa. Te werbalne oceny („niski”, „średni”, „wysoki” itd.) są przetłumaczone na nowy rozmyty format, obejmujący zarówno samą ocenę, jak i pewność ekspertów co do niej. Zaproponowane operatory agregują następnie te informacje kilkoma nieznacznie różnymi sposobami, a każda bateria otrzymuje wynik końcowy. We wszystkich wersjach metody baterie litowo‑jonowe konsekwentnie wychodzą na prowadzenie, tuż za nimi plasują się baterie sodowo‑siarkowe i przepływowe, natomiast niklowo‑kadmowe i kwasowo‑ołowiowe pozostają w tyle z powodu krótszej żywotności, wolniejszego ładowania lub większych obaw środowiskowych. Osobna analiza przy użyciu dobrze znanej techniki WASPAS, dostosowanej do tego samego rozmytego środowiska, daje ten sam najlepszy wybór, co zwiększa wiarygodność nowego podejścia.

Odporne wyniki, nawet gdy priorytety się zmieniają

Badanie analizuje także, co się dzieje po zmianie parametrów dostrajających w operatorach Schweizer–Sklar, naśladując postawy bardziej unikające ryzyka lub bardziej tolerancyjne wobec ryzyka. Choć dokładne wartości liczbowe ulegają przesunięciu, ranking baterii pozostaje zadziwiająco stabilny: litowo‑jonowe utrzymują pierwsze miejsce, grupa środkowa pozostaje w środku, a najsłabsze opcje pozostają na dole. Ta stabilność ma znaczenie praktyczne, ponieważ sugeruje, że metoda nie jest nadmiernie wrażliwa na subiektywne wybory dotyczące sposobu łączenia kryteriów i że jej wnioski nie są łatwo obalane przez drobne zmiany w modelowaniu.

Co to oznacza dla pojazdów elektrycznych i nie tylko

Mówiąc wprost, artykuł oferuje bardziej wyrafinowany kalkulator dla trudnych wyborów, gdzie dowody są niekompletne, a opinie ekspertów się różnią. Dla pojazdów elektrycznych wspiera on obecne skupienie branży na bateriach litowo‑jonowych, jednocześnie umożliwiając uczciwe i przejrzyste porównanie pojawiających się technologii. Szerzej, ten sam framework mógłby pomóc przy innych złożonych decyzjach związanych ze zrównoważonym rozwojem, takich jak lokalizacja stacji ładowania, wybór magazynów energii dla sieci czy ocena zielonych technologii. Poprzez eksplicytne przedstawienie zarówno niepewności, jak i stopnia zaufania, oraz przez danie decydentom możliwości dostrajania kompromisów między konkurującymi celami, proponowany model przekształca nieporządne, realne oceny w jaśniejsze wskazówki, nie udając przy tym, że świat jest prostszy niż w rzeczywistości.

Cytowanie: 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

Słowa kluczowe: baterie do pojazdów elektrycznych, wielokryterialne podejmowanie decyzji, logika rozmyta, modelowanie niepewności, technologia zrównoważona