Elektrochemisches Rauschdaten-Mining zur Messung der Umwelt‑Cl−-Konzentration von Stahlbetonstrukturen bei Streustromstörungen

Warum U-Bahntunnel still vor sich hin rosten

Moderne Städte sind auf unterirdische U-Bahntunnel angewiesen, um täglich Millionen von Menschen zu transportieren. In diesen Betontunneln verbergen sich Stahlstangen, die die Tunnel über Jahrzehnte hinweg stabil halten. Unsichtbare elektrische Ströme von den Zügen zusammen mit salzhaltigem Grundwasser können diesen Stahl jedoch unbemerkt viel schneller angreifen als erwartet. Dieser Beitrag untersucht eine neue, zerstörungsfreie Methode, die winzigen elektrischen Signale des Stahls „abzuhören“ und daraus abzuschätzen, wie viel korrosives Salz in der Umgebung ist — noch bevor ernsthafte Schäden entstehen.

Versteckte Ströme und salziges Wasser

Schildtunnel für U-Bahnen werden als dauerhafte Bauwerke errichtet, die 50 bis 100 Jahre halten sollen. Im Beton eingelegte Stäbe tragen die Lasten, während der Beton den Stahl vor Korrosion schützt. In der Realität sind die Tunnel von Grundwasser umgeben, das häufig Chloridionen enthält — dieselbe Art von Salz, die im Winter Autos korrodiert. Gleichzeitig verwenden Antriebssysteme der Züge Gleichstrom, und ein Teil dieses Stroms tritt von den Schienen in den umgebenden Boden aus als sogenannter „Streustrom“. Dort, wo der ausgetretene Strom auf chloridreiches Wasser und Stahl trifft, kann die Korrosion im Vergleich zu natürlichen Bedingungen um den Faktor 10 bis 100 beschleunigt werden. Mit zunehmendem Rost entsteht Druck im Beton, was zu Rissbildung, Abplatzungen und Festigkeitsverlusten führt und die langfristige Sicherheit des Tunnels gefährdet.

Warum herkömmliche Tests unterirdisch versagen

Ingenieure wissen, dass Korrosion gefährlich wird, sobald die Chloridkonzentration rund um den Stahl einen kritischen Schwellenwert überschreitet und die Schutzschicht des Metalls zerstört. Direktes Messen der Chloridkonzentration unter der Erde ist jedoch schwierig. Übliche Laborverfahren — etwa das Aufsprühen chemischer Indikatoren, Entnahme von Kernproben oder Ionenchromatographie — erfordern Bohrungen in die Struktur, das Herausholen von Material an die Oberfläche oder das Platzieren empfindlicher Sensoren in feindlicher Bodenumgebung. In einem im Betrieb befindlichen U-Bahntunnel sind solche Maßnahmen kostspielig, störend und oft im engen Zwischenraum zwischen Tunnelverkleidung und umgebendem Boden unmöglich. Daher fehlt Betreibern eine einfache Methode, um zu überwachen, wie nah ihre Bauwerke an Korrosions‑„Kipp‑Punkten“ sind.

Dem elektrochemischen Rauschen lauschen

Die Autoren wenden sich dem elektrochemischen Rauschen zu, den winzigen, zufälligen Schwankungen von Spannung und Strom, die beim Korrodieren von Metall in einem Elektrolyten natürlich auftreten. In sorgfältig gestalteten Laborversuchen betteten sie Stahlstangen in Mörtelblöcke ein, setzten diese teilweise in Salzlösungen mit unterschiedlichen Chloridkonzentrationen und legten kontrollierte Streuströme mittels Titannetz‑Elektroden an. Ein elektrochemisches Messgerät zeichnete die Rauschsignale jeweils für eine Stunde auf. Anstatt in den Rohdaten nur nach einfachen Trends zu suchen, behandelte das Team jede rauschende Spur als reichhaltigen Fingerabdruck der Korrosionsumgebung. Sie bereinigten die Signale von langsamen Driften und berechneten zahlreiche statistische Kennwerte in Zeit- und Frequenzdomäne, einschließlich der Energieverteilung über verschiedene Wavelet‑Bänder — im Grunde die Zerlegung des Rauschens in Komponenten von schnellen bis zu langsamen Schwankungen.

Maschinen das Lesen der Fingerabdrücke beibringen

Um diese Fingerabdrücke in ein praktisches Chloridmessen zu verwandeln, bauten die Forschenden ein intelligentes Regressionsmodell, das Rauschmerkmale mit der Chloridkonzentration verknüpft. Im Kern steht XGBoost, eine leistungsfähige, baumbasierte Machine‑Learning‑Methode. Sie verfeinerten sie auf zwei Arten. Erstens optimierte ein Whale‑Optimization‑Algorithmus — eine naturinspirierte Suchmethode, die das Jagdverhalten von Buckelwalen nachahmt — automatisch wichtige Modellparameter wie Baumtiefe und Lernrate, um mühsames Ausprobieren zu vermeiden. Zweitens lernte ein Attention‑Mechanismus, welche Merkmale des Rauschens am wichtigsten sind, indem er informativen Zeit‑Frequenz‑Indikatoren höhere Gewichtung gab und solche heruntergewichtete, die wenig Mehrwert bieten. Durch die Kombination dieser Elemente wurde ihr WOA‑XGBoost‑Attention‑Modell auf den Großteil der Daten trainiert und an unbenutzten Proben getestet, um die Zuverlässigkeit zu bewerten.

Wie gut die Methode funktioniert

Das optimierte Modell erwies sich als bemerkenswert genau. Über einen Bereich von Chloridkonzentrationen (0,05–0,9 mol/L) und Streustromdichten (0,05–0,1 A/cm²) sagte es den Salzgehalt mit einer durchschnittlichen Genauigkeit von etwa 95 % und einer Korrelation von 0,9929 zwischen vorhergesagten und tatsächlichen Werten voraus. Im Vergleich zu anderen gängigen Ansätzen — darunter einfaches XGBoost, Random Forests, Gradient Boosting, lineare Regression und ein neuronales Netzwerk — erzielte diese hybride Methode die geringsten Vorhersagefehler und vermied große Ausreißer. Die nützlichsten Eingaben erwiesen sich als Rauschmerkmale im Zusammenhang mit Signalstreuung, Weißrauschpegel, Power‑Law‑Verhalten des Spektrums und spezifischen Wavelet‑Energiebändern, was bestätigt, dass subtile Muster im Rauschen detaillierte Informationen über die Umgebung tragen.

Was das für reale Tunnel bedeutet

Für Nicht‑Spezialisten lautet die Kernbotschaft: Die Autoren haben gezeigt, dass es möglich ist, abzuschätzen, wie viel korrosives Salz vergrabenen Stahl umgibt, indem man einfach dessen natürliche elektrische „Plauderei“ überwacht und ein fortgeschrittenes Algorithmus‑System das Muster entschlüsseln lässt. Obwohl die Arbeit unter kontrollierten Laborbedingungen durchgeführt wurde, weist sie auf zukünftige Systeme hin, in denen robuste Elektroden an Tunnelverkleidungen elektrochemische Rauschdaten an intelligente Software liefern, die Alarm schlägt, wenn Chloridwerte gefährliche Schwellen erreichen. Ein solches zerstörungsfreies Frühwarninstrument könnte U-Bahn‑Betreibern helfen, Wartungen zu planen, die Lebensdauer von Tunneln zu verlängern und das Risiko plötzlicher struktureller Probleme durch verborgene Korrosion zu verringern.

Zitation: Xing, F., Xu, S., Wang, Y. et al. Electrochemical noise-based data mining to environmental Cl⁻ concentration measurement of reinforced concrete structure under stray current interference. Sci Rep 16, 7522 (2026). https://doi.org/10.1038/s41598-026-38003-x

Schlüsselwörter: Korrosion in U-Bahntunneln, Streustrom, Chloridionen, elektrochemisches Rauschen, Machine‑Learning‑Überwachung