Fouille de données basée sur le bruit électrochimique pour la mesure de la concentration en Cl− dans les structures en béton armé sous interférence de courant de fuite

Pourquoi les tunnels de métro rouillent silencieusement

Les villes modernes s’appuient sur des tunnels de métro souterrains pour déplacer des millions de personnes chaque jour. À l’intérieur de ces gaines de béton se trouvent des barres d’acier qui assurent la solidité des tunnels pendant des décennies. Mais des courants électriques invisibles produits par les trains, associés à des eaux souterraines salées, peuvent attaquer cet acier beaucoup plus rapidement qu’on ne le prévoit. Cet article explore une nouvelle méthode non destructive pour « écouter » de minuscules signaux électriques provenant de l’acier et les utiliser afin d’estimer la quantité de sel corrosif dans l’environnement — avant que des dommages importants ne surviennent.

Courants cachés et eau salée

Les tunnels de type blindage du métro sont construits comme des ouvrages permanents destinés à durer de 50 à 100 ans. Les barres d’acier noyées dans le béton supportent les charges, tandis que le béton protège l’acier de la corrosion. En réalité, les tunnels baignent dans des eaux souterraines contenant souvent des ions chlorure, le même type de sel qui corrode les voitures en hiver. Parallèlement, les systèmes de traction des trains utilisent du courant continu, et une partie de ce courant s’échappe des rails dans le sol environnant sous forme de « courant de fuite ». Là où l’électricité fuyante et l’eau riche en chlorures rencontrent l’acier, la corrosion peut être accélérée d’un facteur 10 à 100 par rapport aux conditions naturelles. À mesure que la rouille s’accumule, elle crée une pression à l’intérieur du béton, provoquant fissures, éclatements et perte de résistance qui menacent la sécurité à long terme du tunnel.

Pourquoi les tests traditionnels sont insuffisants sous terre

Les ingénieurs savent que la corrosion devient dangereuse dès que les niveaux de chlorure autour de l’acier dépassent un seuil critique, détruisant le film protecteur sur le métal. Toutefois, mesurer directement la concentration en chlorures sous terre est difficile. Les méthodes de laboratoire courantes — comme la pulvérisation d’indicateurs chimiques, le prélèvement de carottes ou la chromatographie ionique — nécessitent de forer les structures, d’extraire des matériaux ou de placer des capteurs fragiles dans un milieu hostile. Dans un tunnel de métro en service, ces approches sont coûteuses, perturbatrices et souvent impossibles dans l’espace restreint entre le revêtement du tunnel et le sol environnant. En conséquence, les exploitants manquent d’un moyen simple pour surveiller à quel point leurs ouvrages approchent des « points de basculement » de la corrosion.

Écouter le bruit électrochimique

Les auteurs se tournent vers le bruit électrochimique, ces minuscules fluctuations aléatoires de tension et de courant qui apparaissent naturellement lorsque le métal corrode dans un électrolyte. Dans des essais de laboratoire soigneusement conçus, ils ont noyé des barres d’acier dans des blocs de mortier, les ont partiellement immergées dans des solutions salines de différentes concentrations en chlorure, et ont appliqué des courants de fuite contrôlés à l’aide d’électrodes en treillis de titane. Un poste électrochimique a enregistré les signaux de bruit pendant des heures à la fois. Plutôt que de rechercher de simples tendances dans les données brutes, l’équipe a traité chaque trace bruitée comme une empreinte riche de l’environnement de corrosion. Ils ont nettoyé les signaux pour supprimer les dérives lentes, puis calculé de nombreuses mesures statistiques dans le domaine temporel et fréquentiel, y compris la façon dont l’énergie se répartissait entre différentes bandes de ondelettes — en d’autres termes, en décomposant le bruit en composants allant des fluctuations rapides aux plus lentes.

Apprendre aux machines à lire les empreintes

Pour transformer ces empreintes en un « compteur » pratique de chlorure, les chercheurs ont construit un modèle de régression intelligent qui relie les caractéristiques du bruit à la concentration en chlorure. Au cœur du dispositif se trouve XGBoost, une méthode d’apprentissage automatique basée sur des arbres de décision. Ils l’ont améliorée de deux façons. D’une part, un algorithme d’optimisation inspiré des baleines (Whale Optimization Algorithm) — une méthode de recherche s’inspirant du comportement de chasse des rorquals à bosse — a réglé automatiquement des paramètres clés du modèle, comme la profondeur des arbres et le taux d’apprentissage, évitant ainsi des tâtonnements fastidieux. D’autre part, un mécanisme d’attention a appris quelles caractéristiques du bruit étaient les plus importantes, accordant plus de poids aux indicateurs temps‑fréquence les plus informatifs et réduisant le poids de ceux qui apportaient peu de valeur. En combinant ces éléments, leur modèle WOA‑XGBoost‑Attention a été entraîné sur la majeure partie des données et testé sur des échantillons non vus pour évaluer sa fiabilité.

Performance de la méthode

Le modèle optimisé s’est révélé remarquablement précis. Sur une gamme de concentrations en chlorure (0,05–0,9 mol/L) et de densités de courant de fuite (0,05–0,1 A/cm²), il a prédit le taux de sel avec une précision moyenne d’environ 95 % et une corrélation de 0,9929 entre les valeurs prédites et les valeurs réelles. Comparée à d’autres approches populaires — y compris XGBoost classique, Random Forest, Gradient Boosting, la régression linéaire et un modèle de réseau de neurones — cette méthode hybride a produit les erreurs de prédiction les plus faibles et a évité les grands écarts. Les entrées les plus utiles se sont avérées être des caractéristiques du bruit liées à l’étalement du signal, au niveau de bruit blanc, au comportement en loi de puissance du spectre et à des bandes spécifiques d’énergie d’ondelettes, ce qui confirme que des motifs subtils dans le bruit contiennent des informations détaillées sur l’environnement alentour.

Ce que cela signifie pour les tunnels réels

Pour un non‑spécialiste, l’essentiel est que les auteurs ont montré qu’il est possible d’estimer la quantité de sel corrosif entourant un acier enfoui simplement en surveillant son « bavardage » électrique naturel et en laissant un algorithme avancé décoder le motif. Bien que ce travail ait été réalisé en conditions de laboratoire contrôlées, il ouvre la voie à des systèmes futurs où des électrodes robustes montées sur les revêtements des tunnels alimenteraient des données de bruit électrochimique dans un logiciel intelligent qui déclencherait des alertes lorsque les niveaux de chlorure approchent des seuils dangereux. Un tel outil d’alerte précoce non invasif pourrait aider les exploitants de métro à planifier la maintenance, prolonger la durée de vie des tunnels et réduire le risque de problèmes structurels soudains causés par la corrosion cachée.

Citation: 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

Mots-clés: corrosion des tunnels de métro, courant de fuite, ions chlorure, bruit électrochimique, surveillance par apprentissage automatique