Minería de datos basada en ruido electroquímico para la medición ambiental de la concentración de Cl− en estructuras de hormigón armado bajo interferencia de corriente parásita

Por qué los túneles de metro se oxidan en silencio

Las ciudades modernas dependen de los túneles subterráneos del metro para desplazar a millones de personas cada día. Ocultas dentro de esos tubos de hormigón hay barras de acero que mantienen los túneles resistentes durante décadas. Pero corrientes eléctricas invisibles procedentes de los trenes, junto con aguas subterráneas salinas, pueden corroer ese acero mucho más rápido de lo esperado. Este artículo explora una nueva forma no destructiva de “escuchar” pequeñas señales eléctricas del acero y usarlas para estimar cuánto sal corrosiva hay en el entorno circundante, antes de que se produzcan daños graves.

Corrientes ocultas y agua salina

Los túneles de escudo del metro se construyen como estructuras permanentes pensadas para durar entre 50 y 100 años. Las barras de acero embebidas en el hormigón soportan las cargas, mientras que el hormigón protege al acero de la corrosión. En la práctica, los túneles están bañados por aguas subterráneas que a menudo contienen iones cloruro, el mismo tipo de sal que corroe los automóviles en invierno. Al mismo tiempo, los sistemas de tracción de los trenes usan corriente continua, y parte de esa corriente se fuga desde los raíles hacia el suelo circundante como “corriente parásita”. Donde la electricidad fugada y el agua rica en cloruros se encuentran con el acero, la corrosión puede acelerarse entre 10 y 100 veces respecto a las condiciones naturales. A medida que se acumula óxido, se genera presión dentro del hormigón, lo que conduce a fisuras, desprendimientos y pérdida de resistencia que amenazan la seguridad a largo plazo del túnel.

Por qué las pruebas tradicionales fallan bajo tierra

Los ingenieros saben que la corrosión se vuelve peligrosa una vez que los niveles de cloruros alrededor del acero superan un umbral crítico, destruyendo la película protectora sobre el metal. Sin embargo, medir directamente la concentración de cloruros bajo tierra es difícil. Los métodos de laboratorio habituales —como pulverizar indicadores químicos, tomar testigos de extracción o usar cromatografía iónica— requieren perforar las estructuras, subir muestras a la superficie o colocar sensores frágiles en un terreno hostil. En un túnel de metro en servicio, estos enfoques son costosos, disruptivos y a menudo imposibles en el espacio reducido entre el revestimiento del túnel y el terreno circundante. Como resultado, los operadores carecen de una forma sencilla de monitorizar qué tan cerca están sus estructuras de los «puntos de inflexión» de la corrosión.

Escuchando el ruido electroquímico

Los autores recurren al ruido electroquímico, las pequeñas fluctuaciones aleatorias de voltaje y corriente que surgen de forma natural cuando un metal se corroe en un electrolito. En ensayos de laboratorio cuidadosamente diseñados, enterraron barras de acero en bloques de mortero, las sumergieron parcialmente en soluciones salinas con diferentes concentraciones de cloruro y aplicaron corrientes parásitas controladas usando mallas de titanio como electrodos. Una estación de trabajo electroquímica registró las señales de ruido durante una hora por toma. En lugar de buscar tendencias simples en los datos brutos, el equipo trató cada traza ruidosa como una huella digital rica del entorno de corrosión. Limpiaron las señales para eliminar derivaciones lentas y luego calcularon muchas medidas estadísticas en el dominio temporal y frecuencial, incluyendo cómo se distribuía la energía a través de distintas bandas wavelet —esencialmente descomponiendo el ruido en componentes desde fluctuaciones rápidas hasta lentas.

Enseñar a las máquinas a leer las huellas

Para convertir esas huellas en un “medidor” práctico de cloruro, los investigadores construyeron un modelo de regresión inteligente que vincula las características del ruido con la concentración de cloruro. En su núcleo está XGBoost, un potente método de aprendizaje automático basado en árboles de decisión. Lo mejoraron de dos maneras. Primero, un Algoritmo de Optimización de Ballena —un método de búsqueda inspirado en la naturaleza que imita cómo cazan las ballenas jorobadas— afinó automáticamente configuraciones clave del modelo, como la profundidad de los árboles y la tasa de aprendizaje, para evitar pruebas y errores tediosos. Segundo, un mecanismo de atención aprendió qué características del ruido eran las más relevantes, otorgando mayor peso a los indicadores tiempo‑frecuencia más informativos y rebajando el peso de los que aportaban poco valor. Al combinar estos elementos, su modelo WOA‑XGBoost‑Attention se entrenó con la mayor parte de los datos y se probó con muestras no vistas para evaluar su fiabilidad.

Rendimiento del método

El modelo optimizado demostró ser notablemente preciso. En un rango de concentraciones de cloruro (0,05–0,9 mol/L) y densidades de corriente parásita (0,05–0,1 A/cm²), predijo el nivel de sal con una precisión media de aproximadamente el 95% y una correlación de 0,9929 entre los valores predichos y los reales. En comparación con otros enfoques populares —incluyendo XGBoost simple, Random Forests, Gradient Boosting, regresión lineal y un modelo de red neuronal— este método híbrido produjo los errores de predicción más bajos y evitó grandes valores atípicos. Las entradas más útiles resultaron ser características del ruido relacionadas con la dispersión de la señal, el nivel de ruido blanco, el comportamiento en ley de potencias del espectro y bandas específicas de energía wavelet, lo que confirma que patrones sutiles en el ruido contienen información detallada sobre el entorno circundante.

Qué significa esto para túneles reales

Para un público no especializado, la conclusión es que los autores han demostrado que es posible estimar cuánta sal corrosiva rodea a un acero enterrado simplemente monitorizando su “charla” eléctrica natural y dejando que un algoritmo avanzado decodifique el patrón. Aunque este trabajo se realizó en condiciones de laboratorio controladas, apunta hacia futuros sistemas en los que electrodos robustos montados en los revestimientos de túneles alimenten datos de ruido electroquímico a software inteligente que lance alarmas cuando los niveles de cloruro se acerquen a umbrales peligrosos. Una herramienta de alerta temprana no invasiva de este tipo podría ayudar a los operadores del metro a planificar el mantenimiento, prolongar la vida útil de los túneles y reducir el riesgo de problemas estructurales repentinos causados por corrosión oculta.

Cita: 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

Palabras clave: corrosión en túneles de metro, corriente parásita, iones cloruro, ruido electroquímico, monitorización mediante aprendizaje automático