Modelowanie matematyczne dyfuzji jonów i przewidywanie stanu naładowania w bateriach sodowych przy użyciu analizy szeregów czasowych

Dlaczego lepsze baterie mają znaczenie w codziennym życiu

Od telefonów i laptopów po samochody elektryczne i magazyny energii na skalę sieciową — współczesne życie coraz bardziej zależy od akumulatorów wielokrotnego ładowania. Obecnie dominują baterie litowe, lecz lit jest stosunkowo rzadki i kosztowny. Sód, przeciwnie, jest tani i powszechny — pomyśl o zwykłej soli kuchennej. W badaniu tym analizuje się, jak baterie sodowe można uczynić bezpieczniejszymi, trwalszymi i bardziej niezawodnymi, łącząc matematyczną fizykę z nowoczesną sztuczną inteligencją do śledzenia rzeczywistej ilości energii w ogniwie, czyli stanu naładowania.

Od litu do sodu: obiecująca alternatywa

Baterie litowo-jonowe napędzały boom przenośnej elektroniki dzięki wysokiej gęstości energii i długiej żywotności. Jednak obawy dotyczące dostępności zasobów, kosztów i zrównoważonego rozwoju zwiększyły zainteresowanie bateriami sodowymi, które działają w podobny sposób, lecz wykorzystują znacznie bardziej powszechny sód. Technologia sodowa nadal dojrzewa i musi pokonać szereg przeszkód przed wdrożeniem na dużą skalę. Jednym z największych wyzwań jest dokładne oszacowanie stanu naładowania (SOC) — w istocie „wskaźnika paliwa” ogniwa. Błędne szacunki SOC mogą skracać żywotność baterii, zmniejszać zasięg samochodów elektrycznych, a nawet stwarzać ryzyko bezpieczeństwa. Tradycyjne metody wyznaczania SOC opierają się głównie na pomiarach napięcia, które w warunkach rzeczywistych mogą być zaszumione i wprowadzające w błąd.

Obserwowanie ruchu jonów wewnątrz baterii

Aby zbudować wierniejszy „wskaźnik paliwa”, autorzy zaczynają od mikroskopowej fizyki ruchu jonów sodu wewnątrz stałych elektrod baterii. Modelują, jak jony sodu dyfundują do i z drobnych sferycznych cząstek tworzących materiał elektrody, używając klasycznego równania dyfuzji. Przepisując to równanie w postaci bezwymiarowej, uwypuklają kilka kluczowych parametrów sterujących szybkością ruchu jonów i miejscem ich gromadzenia się podczas ładowania i rozładowywania. Zamiast polegać wyłącznie na kosztownych obliczeniowo symulacjach numerycznych, zespół stosuje półanalityczną technikę nazwaną Laplace-based Hermite Collocation Method (LT-HCM), aby uzyskać zwarte wzory opisujące profile stężenia jonów. Rozwiązania te porównano ze znanym schematem numerycznym — metodą różnic skończonych — i wykazano doskonałą zgodność, co daje pewność, że model dyfuzji jest dokładny.

Nauczanie sieci neuronowej czytania „oznaczeń żywotności” baterii

Wyposażeni w model oparty na fizyce, badacze generują duży, czysty zbiór danych pokazujący, jak stężenia jonów i SOC zmieniają się w czasie przy różnych warunkach ładowania. Następnie wprowadzają te szeregi czasowe do kilku metod uczenia maszynowego — w tym regresji wektorów nośnych, regresji procesów Gaussianowskich i drzew ze wzmocnieniem gradientowym — lecz koncentrują się na sieciach LSTM, rodzaju rekurencyjnej sieci neuronowej zaprojektowanej do przetwarzania sekwencji. LSTM uczy się mapować ewoluujące stężenia jonów na SOC zarówno elektrody ujemnej, jak i dodatniej. Poprzez trenowanie i testowanie na oddzielnych podziałach danych oraz monitorowanie spadku błędu podczas uczenia, pokazują, że LSTM wychwytuje subtelne, długoterminowe trendy w dyfuzji, których prostsze modele nie dostrzegają. Spośród wszystkich testowanych metod LSTM osiąga najniższe błędy predykcji SOC.

Co modele ujawniają o zachowaniu baterii

Połączenie modelowania fizycznego i AI daje szczegółowy obraz tego, jak jony sodu przemieszczają się wewnątrz baterii podczas ładowania i rozładowywania. Na początku ładowania jony powoli wnikają do elektrody ujemnej, gromadząc się silniej przy powierzchni, zanim stopniowo rozprzestrzenią się do wnętrza. Przy większym prądzie jony kumulują się szybciej, tworząc ostrzejsze gradienty stężenia i wyższy opór wewnętrzny. W miarę zbliżania się ogniwa do pełnego naładowania dyfuzja zwalnia, opór rośnie, a wzrost SOC wygładza się — cechy te zarówno rozwiązania LT-HCM, jak i prognozy LSTM odtwarzają. Podczas rozładowywania następuje proces odwrotny: SOC spada stopniowo, a następnie gwałtowniej, gdy jedna elektroda zbliża się do wyczerpania, a druga do nasycenia, sygnalizując praktyczne granice użytecznej pojemności.

Bardziej precyzyjny, inteligentniejszy wskaźnik paliwa dla baterii sodowych

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że połączenie matematycznego opisu ruchu jonów z algorytmami uczącymi się wzorców czasowych daje znacznie ostrzejszy i bardziej wiarygodny „wskaźnik paliwa” baterii. Zamiast wyznaczać SOC jedynie na podstawie napięcia, ta hybrydowa metoda sięga głębiej do wewnętrznej pracy ogniwa, śledząc bezpośrednio stężenie jonów i rozkład ładunku. Efektem jest bardzo dokładne przewidywanie SOC przy umiarkowanym nakładzie obliczeniowym, co może pomóc bateriom sodowym działać bezpieczniej, dłużej i lepiej integrować się z pojazdami elektrycznymi oraz systemami odnawialnej energii — przybliżając bardziej zrównoważoną przyszłość baterii do rzeczywistości.

Cytowanie: 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

Słowa kluczowe: baterie sodowe, stan naładowania, modelowanie baterii, uczenie maszynowe, LSTM