Förbättrat intelligensbaserat beslutsmodell för elfordonsbatterier med q‑rung orthopair fuzzy Schweizer–Sklar prioriterad Z‑information

Varför det är så svårt att välja rätt EV‑batteri

När elfordon går från nisch till mainstream är batteriet under golvet ansvarigt för mycket av arbetet. Det avgör hur långt bilen kan köra, hur snabbt den laddas, hur länge den håller innan den måste bytas ut samt hur säker och miljövänlig den är. Samtidigt måste ingenjörer och beslutsfattare välja mellan konkurrerande batteritekniker utifrån information som ofta är ofullständig, osäker eller bygger mer på expertbedömningar än på hårda siffror. Denna artikel presenterar ett nytt matematiskt beslutsverktyg som är avsett att göra de valen mer tillförlitliga när fakta är oklara.

Att balansera många behov samtidigt

Valet av elfordonsbatteri är en klassisk balansakt. Alternativ som nickel‑kadmium, bly‑syra, natrium‑svavel, litiumjon och flödesbatterier har alla sina egna styrkor och svagheter. Vissa laddar snabbt men slits ut snabbare; andra håller i många år men är skrymmande eller kräver höga driftstemperaturer. Beslutsfattare måste väga teknisk prestanda, kostnad, säkerhet och miljöpåverkan samtidigt. Traditionella beslutsmetoder förutsätter att varje kriterium kan beskrivas med precisa siffror, men verkliga data om exempelvis cykellivslängd i hårda klimat eller felrater vid krockar är sällan så skarpa.

Från fuzzy åsikter till strukturerade omdömen

För att hantera denna tvetydighet har forskare länge använt "fuzzy" mängder, som tillåter att något kan vara delvis sant snarare än bara ja eller nej. Senare förfiningar, såsom intuitionistiska och pythagoreiska fuzzy‑mängder, lade till sätt att uttrycka tvekan eller motstridig information. Metoden som föreslås i denna artikel bygger vidare på en ännu mer flexibel ram kallad q‑rung orthopair fuzzy‑mängder, vilka kan fånga mycket höga grader av osäkerhet, och kombinerar detta med Z‑nummer, ett system som separat registrerar både ett värde och experternas förtroende för det värdet. I korthet registrerar modellen inte bara att ett batteri bedöms som "högt" vad gäller säkerhet utan också hur tillförlitligt detta omdöme är.

Ett justerbart sätt att kombinera motstridiga kriterier

Den andra pelaren i arbetet är en familj av matematiska regler, kända som Schweizer–Sklar‑aggregationsoperatorer, som används för att blanda många osäkra indata till en sammanlagd poäng. Till skillnad från enkel medelvärdesbildning har dessa operatorer en inbyggd justeringsknapp som låter beslutsfattare luta sig mot försiktiga eller djärva strategier utan att bygga om hela modellen. När de ställs in för att vara mer konservativa beter sig metoden som om den säger: ”alla viktiga kriterier måste vara rimligt bra”; när den är mer optimistisk tillåter den att en framstående styrka på ett område kompenserar för svagheter på andra. Författarna utökar dessa regler så att de fungerar smidigt med den kombinerade fuzzy‑ och Z‑nummerramen och tillåter prioriteringar och vikter att tilldelas olika kriterier.

Testning av metoden på verkliga batterival

För att se hur väl modellen fungerar tillämpar författarna den i en realistisk fallstudie som jämför fem batteritekniker för användning i elfordon. Experter betygsätter varje alternativ på tre avgörande aspekter: laddningstid, cykellivslängd och säkerhet. Dessa verbala bedömningar ("låg", "medel", "hög" med flera) översätts till det nya fuzzy‑formatet, inklusive både själva bedömningen och experternas förtroende för den. De föreslagna operatorerna aggregerar sedan denna information på flera något olika sätt och varje batteri får en slutpoäng. I samtliga varianter av metoden framträder litiumjonbatterier konsekvent som toppval, tätt följda av natrium‑svavel och flödesbatterier, medan nickel‑kadmium och bly‑syra hamnar efter på grund av kortare livslängd, långsammare laddning eller större miljömässiga nackdelar. En separat analys med en välkänd teknik kallad WASPAS, anpassad till samma fuzzy‑ramverk, ger samma bästa val och stärker trovärdigheten i det nya tillvägagångssättet.

Robusta resultat, även när prioriteringar ändras

Studien utforskar också vad som händer när justeringsparametrarna i Schweizer–Sklar‑operatorerna ändras, vilket efterliknar mer riskaverta eller mer riskbenägna attityder. Även om de exakta numeriska poängen förskjuts förblir rankningen av batterierna anmärkningsvärt stabil: litiumjon behåller förstaplatsen, mellangruppen förblir i mitten och de svagaste alternativen stannar längst ner. Denna stabilitet är viktig i praktiken eftersom den tyder på att metoden inte är överdrivet känslig för subjektiva val om hur kriterier ska vägas samman och att dess slutsatser inte lätt vänds av små modelländringar.

Vad detta betyder för elfordon och vidare

I vardagliga termer erbjuder artikeln en mer nyanserad kalkylator för svåra val där bevisen är ofullständiga och experternas åsikter skiljer sig åt. För elfordon stöder den den nuvarande branschfokusen på litiumjonbatterier samtidigt som den gör det möjligt att jämföra nya tekniker på ett rättvist och transparent sätt. Mer allmänt kan samma ramverk hjälpa vid andra komplexa hållbarhetsbeslut, såsom placering av laddstationer, val av energilagring för elnätet eller utvärdering av gröna teknologier. Genom att uttryckligen representera både osäkerhet och förtroende, och genom att ge beslutsfattare ett justerbart sätt att avväga konkurrerande mål, omvandlar den föreslagna modellen röriga, verkliga omdömen till klarare vägledning utan att låtsas att världen är enklare än den är.

Citering: 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

Nyckelord: elbilsbatterier, flerkriteriebeslut, fuzzylogik, osäkerhetsmodellering, hållbar teknik