Estrazione di dati da rumore elettrochimico per la misurazione della concentrazione di Cl− nell’ambiente di strutture in calcestruzzo armato sotto interferenza di correnti vaganti

Perché le gallerie della metropolitana si arrugginiscono silenziosamente

Le città moderne si affidano alle gallerie sotterranee della metropolitana per spostare milioni di persone ogni giorno. Nascosti all’interno di quei tubi di calcestruzzo ci sono tondini d’acciaio che mantengono le gallerie solide per decenni. Ma correnti elettriche invisibili provenienti dai treni, insieme a falde acquifere salate, possono consumare questi acciai molto più velocemente del previsto. Questo articolo esplora un nuovo metodo non distruttivo per “ascoltare” i piccoli segnali elettrici provenienti dall’acciaio e usarli per stimare quanto sale corrosivo è presente nell’ambiente circostante — prima che si verifichino danni gravi.

Correnti nascoste e acqua salata

Le gallerie di tipo shield delle metropolitane sono costruite come strutture permanenti pensate per durare 50–100 anni. I tondini d’acciaio incorporati nel calcestruzzo sopportano i carichi, mentre il calcestruzzo protegge l’acciaio dalla corrosione. In realtà, le gallerie sono in contatto con falde acquifere che spesso contengono ioni cloruro, lo stesso tipo di sale che provoca la corrosione delle automobili in inverno. Allo stesso tempo, i sistemi di trazione ferroviaria usano corrente continua, e una parte di questa corrente fuoriesce dalle rotaie nel terreno circostante come “corrente vagante”. Dove l’elettricità dispersa e l’acqua ricca di cloruri incontrano l’acciaio, la corrosione può accelerare di un fattore 10–100 rispetto alle condizioni naturali. Man mano che la ruggine si accumula, crea pressione all’interno del calcestruzzo, portando a fessurazioni, distacchi e perdita di resistenza che mettono a rischio la sicurezza a lungo termine della galleria.

Perché i test tradizionali non bastano sottoterra

Gli ingegneri sanno che la corrosione diventa pericolosa una volta che i livelli di cloruri intorno all’acciaio superano una soglia critica, distruggendo il film protettivo sul metallo. Tuttavia, misurare direttamente la concentrazione di cloruri sottoterra è difficile. I metodi di laboratorio comuni — come spruzzare indicatori chimici, prelevare carotaggi o usare la cromatografia ionica — richiedono la perforazione delle strutture, il trasporto di materiali in superficie o il collocamento di sensori fragili in terreni ostili. In una galleria in esercizio, questi approcci sono costosi, disturbano l’esercizio e sono spesso impossibili nello spazio ridotto tra l’armatura della galleria e il terreno circostante. Di conseguenza, gli operatori non hanno un modo semplice per monitorare quanto le loro strutture siano vicine ai “punti di svolta” della corrosione.

Ascoltare il rumore elettrochimico

Gli autori si sono rivolti al rumore elettrochimico, le piccole fluttuazioni casuali di tensione e corrente che sorgono naturalmente mentre il metallo si corrode in un elettrolita. In test di laboratorio accuratamente progettati, hanno incorporato tondini d’acciaio in blocchi di malta, li hanno parzialmente immersi in soluzioni saline con differenti concentrazioni di cloruri e hanno applicato correnti vaganti controllate usando elettrodi in rete di titanio. Una stazione elettrochimica ha registrato i segnali di rumore per un’ora alla volta. Invece di cercare semplici tendenze nei dati grezzi, il team ha trattato ogni traccia rumorosa come un ricco “impronta digitale” dell’ambiente di corrosione. Hanno ripulito i segnali per rimuovere derive lente, quindi calcolato molte misure statistiche nel dominio del tempo e della frequenza, incluso come l’energia fosse distribuita tra diverse bande wavelet — in sostanza scomponendo il rumore in componenti che vanno dalle fluttuazioni veloci a quelle lente.

Insegnare alle macchine a leggere le impronte

Per trasformare queste impronte in un pratico “misuratore” di cloruri, i ricercatori hanno costruito un modello di regressione intelligente che collega le caratteristiche del rumore alla concentrazione di cloruro. Al centro c’è XGBoost, un potente metodo di apprendimento automatico basato su alberi decisionali. L’hanno migliorato in due modi. Primo, un Whale Optimization Algorithm — un metodo di ricerca ispirato alla natura che imita il comportamento di caccia delle megattere — ha ottimizzato automaticamente parametri chiave del modello, come la profondità degli alberi e il tasso di apprendimento, per evitare noiosi tentativi ed errori. Secondo, un meccanismo di attention ha imparato quali caratteristiche del rumore erano più importanti, assegnando maggiore peso agli indicatori tempo-frequenza più informativi e riducendo il peso di quelli che aggiungevano poco valore. Combinando questi elementi, il loro modello WOA-XGBoost-Attention è stato addestrato sulla maggior parte dei dati e testato su campioni non visti per valutarne l’affidabilità.

Quanto è efficace il metodo

Il modello ottimizzato si è dimostrato straordinariamente accurato. Su un intervallo di concentrazioni di cloruri (0,05–0,9 mol/L) e densità di corrente vagante (0,05–0,1 A/cm²), ha previsto il livello di sale con un’accuratezza media di circa il 95% e una correlazione di 0,9929 tra valori previsti e valori veri. Rispetto ad altri approcci popolari — inclusi XGBoost semplice, Random Forests, Gradient Boosting, regressione lineare e un modello di rete neurale — questo metodo ibrido ha prodotto gli errori di previsione più bassi ed ha evitato grandi valori anomali. Gli input più utili si sono rivelati essere caratteristiche del rumore correlate all’ampiezza del segnale, al livello di rumore bianco, al comportamento in legge di potenza dello spettro e a bande specifiche di energia wavelet, confermando che pattern sottili nel rumore trasmettono informazioni dettagliate sull’ambiente circostante.

Cosa significa per le gallerie reali

Per un non specialista, la conclusione è che gli autori hanno dimostrato la possibilità di stimare quanto sale corrosivo circonda l’acciaio interrato semplicemente monitorando il suo naturale “chiacchiericcio” elettrico e lasciando che un algoritmo avanzato decodifichi il modello. Sebbene questo lavoro sia stato svolto in condizioni di laboratorio controllate, indica la strada verso sistemi futuri in cui elettrodi robusti montati sulla calotta della galleria alimentano dati di rumore elettrochimico a software intelligenti che lanciano allarmi quando i livelli di cloruri si avvicinano a soglie pericolose. Un tale strumento di allerta precoce non invasivo potrebbe aiutare gli operatori della metropolitana a pianificare la manutenzione, prolungare la vita delle gallerie e ridurre il rischio di problemi strutturali improvvisi causati da corrosione nascosta.

Citazione: 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

Parole chiave: corrosione gallerie metropolitane, corrente vagante, ioni cloruro, rumore elettrochimico, monitoraggio con apprendimento automatico