Усовершенствованная интеллектуальная модель принятия решений для аккумуляторов электромобилей с использованием q‑rung ортопарных нечетких множеств Schweizer–Sklar с приоритизированной Z‑информацией

Почему выбрать подходящую батарею для электромобиля так сложно

По мере того как электромобили переходят от нишевого сегмента к массовому рынку, скрытая под полом батарея выполняет огромное количество задач. Она определяет, насколько далеко может проехать автомобиль, как быстро он будет заряжаться, как долго прослужит до замены и насколько безопасной и экологичной она будет. Тем не менее инженерам и политикам приходится выбирать среди конкурирующих технологий батарей, опираясь на информацию, которая часто неполна, неопределенна или основана на экспертных оценках, а не на жестких числах. В этой статье предложен новый математический инструмент принятия решений, призванный сделать такие выборы более надежными в условиях нечёткости.

Балансировка множества требований одновременно

Выбор батареи для электромобиля — классическая задача балансирования. Такие варианты, как никель‑кадмиевые, свинцово‑кислотные, натрий‑серные, литий‑ионные и проточные аккумуляторы, имеют свой собственный набор сильных и слабых сторон. Некоторые быстро заряжаются, но изнашиваются быстрее; другие служат многие годы, но громоздки или требуют высоких рабочих температур. Решения должны одновременно учитывать технические характеристики, стоимость, безопасность и экологические последствия. Традиционные методы принятия решений предполагают, что каждый критерий можно описать точными числами, тогда как реальные данные о сроке службы в суровом климате или о вероятностях отказов при авариях редко бывают столь четкими.

От нечетких мнений к структурированным суждениям

Чтобы справиться с этой неоднозначностью, исследователи давно используют «нечеткие» множества, которые позволяют выражать степень принадлежности, а не только бинарное «да» или «нет». Последующие усовершенствования, такие как интуиционистские и пифагоровы нечеткие множества, добавили способы выражения сомнения или противоречивой информации. Метод, предложенный в этой работе, опирается на ещё более гибкую структуру — q‑rung ортопарные нечеткие множества, способные захватывать очень высокие степени неопределённости, и комбинирует их с Z‑числами, схемой, отдельно фиксирующей как сам показатель, так и степень уверенности эксперта в этом показателе. Проще говоря, модель фиксирует не только то, что батарея оценена как «высокая» по безопасности, но и насколько заслуживает доверия это суждение.

Настраиваемый способ объединять противоречивые критерии

Второй столп работы — семейство математических правил, известных как операторы агрегации Schweizer–Sklar, используемых для сведения множества неопределённых входов в общий показатель. В отличие от простого усреднения, эти операторы имеют встроенный регулятор, позволяющий лицам, принимающим решения, склоняться к более осторожной или более смелой стратегии без полной переработки модели. При более консервативной настройке метод действует так, как будто говорит: «все ключевые критерии должны быть в разумной степени хороши»; при более оптимистичной настройке выдающееся преимущество в одной области может компенсировать недостатки в других. Авторы расширяют эти правила, чтобы они без проблем работали с комбинированной нечеткой и Z‑числовой структурой и позволяли задавать приоритеты и веса разным критериям.

Тестирование метода на реальном выборе батарей

Чтобы проверить работоспособность модели, авторы применяют её к реалистическому кейсу, сравнивающему пять технологий батарей для электромобилей. Эксперты оценивают каждый вариант по трём ключевым аспектам: времени зарядки, циклу жизни и безопасности. Эти вербальные оценки («низкая», «средняя», «высокая» и т. п.) переводятся в новый нечеткий формат, включая как сам рейтинг, так и уверенность экспертов в нём. Предложенные операторы затем агрегируют эту информацию несколькими слегка разными способами, и каждая батарея получает итоговый балл. Во всех версиях метода литий‑ионные батареи стабильно занимают первое место, вслед за ними следуют натрий‑серные и проточные батареи, а никель‑кадмиевые и свинцово‑кислотные отстают из‑за меньшего срока службы, более медленной зарядки или большей экологической нагрузки. Отдельный анализ с использованием известной техники WASPAS, адаптированной к той же нечеткой структуре, даёт тот же лучший выбор, что подтверждает надежность нового подхода.

Надёжные результаты, даже при смене приоритетов

В исследовании также рассматривается, что происходит при изменении настраиваемых параметров в операторах Schweizer–Sklar, имитируя более риск‑избегающие или более риск‑терпимые установки. Хотя точные численные оценки смещаются, ранжирование батарей остаётся удивительно стабильным: литий‑ионные сохраняют первое место, средняя группа остаётся в середине, а слабейшие варианты остаются внизу. Эта устойчивость важна на практике, поскольку показывает, что метод не чрезмерно чувствителен к субъективным выбором способов комбинирования критериев и что его выводы не легко отменить небольшими изменениями модели.

Что это значит для электромобилей и не только

В обыденном смысле статья предлагает более тонкий калькулятор для сложных выборов, где доказательства неполные, а экспертные мнения расходятся. Для электромобилей она поддерживает текущую отраслевую ориентацию на литий‑ионные аккумуляторы, одновременно предоставляя возможность честного и прозрачного сравнения новых технологий. В более широком смысле та же структура может помочь в других сложных задачах устойчивого развития, таких как размещение зарядных станций, выбор накопителей энергии для сети или оценка «зелёных» технологий. Явно представляя как неопределённость, так и степень уверенности, и предоставляя лицам, принимающим решения, настраиваемый способ согласовывать конкурирующие цели, предложенная модель превращает запутанные, реальные суждения в более ясные рекомендации, не притворяясь, что мир проще, чем он есть.

Цитирование: 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

Ключевые слова: аккумуляторы электромобилей, многокритериальное принятие решений, нечеткая логика, моделирование неопределенности, устойчивые технологии