Matematisk modellering av jon-diffusion och batteriets laddningstillståndsprognos i natriumjonbatterier med tidsserieanalys

Varför bättre batterier spelar roll i vardagen

Från telefoner och bärbara datorer till elbilar och storskalig nätlagring är det moderna livet i ökad grad beroende av uppladdningsbara batterier. Dagens marknad domineras av litiumbaserade batterier, men litium är relativt sällsynt och kostsamt. Natrium, däremot, är billigt och rikligt — tänk vanligt bordssalt. Denna studie undersöker hur natriumjonbatterier kan göras säkrare, mer långlivade och mer pålitliga genom att kombinera fysikbaserad matematik med modern artificiell intelligens för att följa hur mycket energi ett batteri faktiskt har kvar, det som kallas laddningstillstånd (SOC).

Från litium till natrium: ett lovande alternativ

Litiumjonbatterier har drivit framgången för bärbar elektronik tack vare hög energitäthet och lång livslängd. Samtidigt har oro för resursåtkomst, kostnader och hållbarhet väckt intresse för natriumjonbatterier, som fungerar på liknande sätt men använder betydligt mer förekommande natrium. Natriumjontekniken är fortfarande under utveckling och måste övervinna flera hinder innan den kan användas i stor skala. En av de största utmaningarna är att noggrant uppskatta laddningstillståndet (SOC) — i princip batteriets ”bränslemätare”. Bristfälliga SOC-uppskattningar kan förkorta batteriets livslängd, minska räckvidden i elfordon och till och med utgöra säkerhetsrisker. Traditionella metoder härleder SOC främst från spänningsmätningar, vilka kan vara brusiga och vilseledande under verkliga förhållanden.

Att följa jonerna inuti batteriet

För att bygga en mer trogen ”bränslemätare” utgår författarna från den mikroskopiska fysiken för natriumjoners rörelse inom batteriets fasta elektroder. De modellerar hur natriumjoner diffunderar in och ut ur små sfäriska partiklar som utgör elektrodmaterialet, med hjälp av en klassisk diffusionslikning. Genom att skriva om denna ekvation i dimensionslös form framhäver de några nyckelparametrar som styr hur snabbt joner rör sig och var de ansamlas vid laddning och urladdning. Istället för att enbart förlita sig på omfattande numeriska simuleringar använder teamet en semi-analytisk teknik kallad Laplace-baserad Hermite Collocation Method (LT-HCM) för att erhålla kompakta formler för jonkoncentrationsprofilerna. Dessa lösningar jämförs sedan med ett väletablerat numeriskt schema, finita differensmetoden, och visar utmärkt överensstämmelse, vilket ger förtroende för att diffusionsmodellen är korrekt.

Att lära ett neuralt nätverk att läsa batteriets ”livstecken”

Med denna fysikbaserade modell som grund genererar forskarna en stor, ren datamängd som visar hur jonkoncentrationer och SOC utvecklas över tid under olika laddningsförhållanden. De matar sedan dessa tidsserier till flera maskininlärningsmetoder — inklusive supportvektorregression, Gaussisk processregression och gradientförstärkta träd — men koncentrerar sig på long short-term memory (LSTM)-nätverk, en typ av återkommande neuralt nätverk utformat för att hantera sekvenser. LSTM:n lär sig att kartlägga de tidsmässigt förändrade jonkoncentrationerna till SOC vid både negativa och positiva elektroder. Genom att träna och testa på separata datasplit och övervaka hur felet minskar under träningen visar de att LSTM fångar de subtila, långsiktiga trenderna i diffusion som enklare modeller missar. Av alla testade metoder ger LSTM de lägsta prognosfelen för SOC.

Vad modellerna avslöjar om batteribeteende

Den kombinerade fysik- och AI-ramen ger en detaljerad bild av hur natriumjoner omfördelar sig i batteriet under laddning och urladdning. I början av laddningen går jonerna långsamt in i den negativa elektroden och byggs upp starkare nära ytan innan de gradvis sprider sig inåt. Vid högre strömmar ansamlas joner snabbare, vilket skapar brantare koncentrationsgradienter och högre intern resistans. När batteriet närmar sig full laddning avtar diffusionen, resistansen ökar och SOC-tillväxten planar ut — drag som både LT-HCM-lösningarna och LSTM-förutsägelserna återger. Under urladdning sker motsatsen: SOC sjunker stadigt och faller sedan snabbare när en elektrod närmar sig urladdning och den andra mättnad, vilket signalerar de praktiska gränserna för användbar kapacitet.

En klarare, smartare bränslemätare för natriumjonbatterier

För icke-specialister är huvudbudskapet att en kombination av matematiska beskrivningar av jonrörelse och inlärningsalgoritmer som känner igen tidsmönster ger en mycket skarpare och mer pålitlig batteri"bränslemätare". Istället för att härleda SOC endast från spänning läser denna hybridmetod djupare i batteriets inre funktioner genom att direkt följa jonkoncentration och laddningsfördelning. Resultatet är mycket noggrann SOC-prediktion med måttlig beräkningsinsats, vilket kan hjälpa natriumjonbatterier att fungera säkrare, hålla längre och integreras bättre i elfordon och förnybara energisystem — och därmed förflytta en mer hållbar batteriframtid närmare verklighet.

Citering: 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

Nyckelord: natriumjonbatterier, laddningstillstånd, batterimodellering, maskininlärning, LSTM