Modelagem matemática da difusão iônica e previsão do estado de carga em baterias de íons de sódio com análise de séries temporais

Por que baterias melhores importam para o dia a dia

De celulares e laptops a carros elétricos e armazenamento em grade, a vida moderna depende cada vez mais de baterias recarregáveis. Atualmente as baterias à base de lítio predominam, mas o lítio é relativamente escasso e caro. O sódio, em contraste, é barato e abundante — pense no sal de cozinha comum. Este estudo explora como baterias de íons de sódio podem se tornar mais seguras, duráveis e confiáveis ao combinar matemática baseada em física com inteligência artificial moderna para rastrear quanta energia a bateria realmente tem disponível, conhecido como estado de carga.

Do lítio ao sódio: uma alternativa promissora

As baterias de íons de lítio impulsionaram a revolução dos eletrônicos portáteis graças à alta densidade de energia e longa vida útil. Ainda assim, preocupações sobre disponibilidade de recursos, custo e sustentabilidade estimularam o interesse por baterias de íons de sódio, que funcionam de maneira semelhante, mas usam sódio muito mais abundante. A tecnologia de íons de sódio ainda está amadurecendo e precisa superar obstáculos antes da implantação em larga escala. Um dos maiores desafios é estimar com precisão o estado de carga (SOC) — essencialmente o “indicador de combustível” da bateria. Estimativas ruins de SOC podem encurtar a vida útil da bateria, reduzir a autonomia em veículos elétricos e até representar riscos de segurança. Métodos tradicionais inferem o SOC principalmente a partir de medições de tensão, que podem ser ruidosas e enganosas em condições do mundo real.

Observando os íons se moverem dentro da bateria

Para construir um “indicador de combustível” mais fiel, os autores partem da física microscópica do movimento dos íons de sódio dentro dos eletrodos sólidos da bateria. Eles modelam como os íons de sódio difundem para dentro e para fora de pequenas partículas esféricas que compõem o material do eletrodo, usando uma equação clássica de difusão. Ao reescrever essa equação em forma adimensional, destacam alguns parâmetros-chave que controlam a velocidade do movimento iônico e onde eles se acumulam durante carga e descarga. Em vez de depender exclusivamente de simulações numéricas pesadas, a equipe aplica uma técnica semi-analítica chamada Método de Colocação de Hermite baseado em Laplace (LT-HCM) para obter fórmulas compactas dos perfis de concentração iônica. Essas soluções são então verificadas contra um esquema numérico bem conhecido, o método de diferenças finitas, e mostram excelente concordância, dando confiança de que o modelo de difusão é preciso.

Ensinando uma rede neural a ler os “sinais vitais” da bateria

Munidos desse modelo baseado em física, os pesquisadores geram um grande conjunto de dados limpo mostrando como as concentrações iônicas e o SOC evoluem ao longo do tempo sob diferentes condições de carga. Em seguida, alimentam essas séries temporais em várias abordagens de aprendizado de máquina — incluindo regressão por vetores de suporte, regressão por processos gaussianos e árvores com reforço de gradiente —, mas concentram-se em redes LSTM (long short-term memory), um tipo de rede neural recorrente projetada para lidar com sequências. A LSTM aprende a mapear as concentrações iônicas em evolução para o SOC em ambos os eletrodos, negativo e positivo. Ao treinar e testar em divisões de dados separadas e monitorar a queda do erro durante o treinamento, mostram que a LSTM captura tendências sutis e de longo prazo na difusão que modelos mais simples perdem. Entre todos os métodos testados, a LSTM apresenta os menores erros de previsão do SOC.

O que os modelos revelam sobre o comportamento da bateria

O arcabouço combinado de física e IA oferece um quadro detalhado de como os íons de sódio se rearranjam dentro da bateria durante carga e descarga. No início da carga, os íons entram lentamente no eletrodo negativo, acumulando-se mais fortemente perto da superfície antes de se espalharem gradualmente para o interior. Com corrente mais alta, os íons se acumulam mais rapidamente, criando gradientes de concentração mais acentuados e maior resistência interna. À medida que a bateria se aproxima da carga completa, a difusão desacelera, a resistência aumenta e o crescimento do SOC se estabiliza — características que tanto as soluções LT-HCM quanto as previsões da LSTM reproduzem. Durante a descarga, ocorre o inverso: o SOC cai de forma constante e depois diminui mais abruptamente quando um eletrodo se aproxima da exaustão e o outro da saturação, sinalizando os limites práticos da capacidade utilizável.

Um indicador de combustível mais claro e inteligente para baterias de íons de sódio

Para não especialistas, a mensagem principal é que combinar descrições matemáticas do movimento iônico com algoritmos de aprendizado que reconhecem padrões temporais produz um “indicador de combustível” muito mais preciso e confiável. Em vez de inferir o SOC apenas pela tensão, esse método híbrido lê mais profundamente o funcionamento interno da bateria, acompanhando diretamente a concentração iônica e a distribuição de carga. O resultado é uma previsão de SOC altamente precisa com esforço computacional moderado, o que pode ajudar baterias de íons de sódio a operar com mais segurança, durar mais e ser melhor integradas a veículos elétricos e sistemas de energia renovável — aproximando um futuro de baterias mais sustentável da realidade.

Citação: 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

Palavras-chave: baterias de íons de sódio, estado de carga, modelagem de baterias, aprendizado de máquina, LSTM