走電流干渉下における鉄筋コンクリート構造物の環境中Cl−濃度測定のための電気化学ノイズに基づくデータマイニング

地下鉄トンネルが静かに錆びる理由

現代の都市では、地下鉄トンネルが日々何百万もの人を運ぶ重要なインフラです。これらのコンクリート管の内部には、トンネルの強度を数十年にわたって維持するための鉄筋が入っています。しかし、列車由来の目に見えない電流と塩分を含む地下水が組み合わさると、その鉄が予想よりはるかに速く腐食することがあります。本論文は、鉄から発生する微小な電気信号を“聴く”ことで周囲環境の腐食性の高い塩分量を推定する、非破壊的な新しい手法の可能性を探ります—重大な損傷が発生する前に検知することを目的としています。

隠れた電流と塩分を含む水

シールド式地下鉄トンネルは、50〜100年の耐用を念頭に置いて永久構造として築かれます。コンクリートに埋め込まれた鉄筋が荷重を負担し、コンクリートは鉄筋を腐食から守るはずです。しかし実際には、トンネルは塩化物イオンを含む地下水にさらされることが多く、この塩化物は冬期に車を腐食させる塩と同じ種類のイオンです。同時に、列車の牽引系は直流を用いており、その一部が軌道から周囲の土中へ漏れて“走電流”となります。漏れた電気と塩化物を含む水が鉄筋に接すると、自然条件に比べて腐食が10〜100倍に加速されることがあります。錆が蓄積するとコンクリート内部に圧力が生じ、ひび割れやはく落、強度低下を引き起こし、トンネルの長期的な安全性を脅かします。

地下では従来の試験が不十分な理由

技術者は、鉄筋周辺の塩化物レベルが臨界値を超えると金属表面の保護膜が破壊され、腐食が危険な段階に達すると知っています。しかし、地下で直接塩化物濃度を測ることは難しい。化学指示薬の噴霧、コア採取、イオンクロマトグラフィーなどの一般的な実験室法は、構造物に穴を開ける、試料を地上に持ち帰る、または過酷な土壌環境に壊れやすいセンサーを設置することを必要とします。稼働中の地下鉄トンネルでは、これらの手法は費用がかかり、現場の妨げとなり、トンネル覆工と周囲地盤の狭い空間ではしばしば実行不可能です。その結果、運営者は構造が腐食の“転換点”にどれほど近いかを監視する単純な手段を持ちません。

電気化学ノイズを聴く

著者らは電気化学ノイズ、すなわち金属が電解質中で腐食する際に自然に発生する電圧や電流の微小なランダム変動に着目しました。慎重に設計した実験室試験で、彼らはモルタルブロックに鉄筋を埋め、さまざまな塩化物濃度の塩水に部分的に浸し、チタンメッシュ電極を用いて制御された走電流を印加しました。電気化学ワークステーションはノイズ信号を1時間単位で記録しました。生データの単純な傾向を見る代わりに、各ノイズトレースを腐食環境の豊かなフィンガープリントと見なしました。信号からゆっくりしたドリフトを除去してクリーンアップし、時間領域と周波数領域の多くの統計量を計算しました。これには波レットバンドごとのエネルギー分布が含まれ、ノイズを速い揺らぎから遅い揺らぎへと成分に分解することに相当します。

フィンガープリントを読む機械を教える

これらのフィンガープリントを実用的な塩化物計に変えるため、研究者らはノイズ特徴量と塩化物濃度を結び付ける回帰モデルを構築しました。中核には、強力な決定木ベースの機械学習手法であるXGBoostがあります。彼らはこれを二つの方法で強化しました。まず、ホエール最適化アルゴリズム（クジラの捕食行動に着想を得た探索手法）が木の深さや学習率などの主要なモデル設定を自動で調整し、手作業の試行錯誤を回避しました。次に、アテンション機構がノイズのどの特徴が重要かを学習し、最も情報量の多い時間–周波数指標に高い重みを与え、価値の小さい特徴の重みを下げました。これらの要素を組み合わせたWOA‑XGBoost‑Attentionモデルは、データの大部分で学習され、未見のサンプルで検証されて信頼性が評価されました。

手法の性能

最適化されたモデルは驚くほど高精度でした。さまざまな塩化物濃度（0.05–0.9 mol/L）と走電流密度（0.05–0.1 A/cm²）にわたって、平均精度は約95％、予測値と真値の相関は0.9929でした。単純なXGBoost、ランダムフォレスト、勾配ブースティング、線形回帰、ニューラルネットワークモデルなどの他の一般的な手法と比べて、このハイブリッド法は最も低い予測誤差を示し、大きな外れ値を回避しました。最も有用な入力は信号の広がり、ホワイトノイズレベル、スペクトルのべき則挙動、波レットエネルギーの特定バンドに関連するノイズ特徴であることがわかり、ノイズ中の微妙なパターンに周囲環境に関する詳細な情報が含まれることを裏付けました。

実際のトンネルへの示唆

専門外の読者向けに言えば、著者らは埋設された鉄筋が自然に発する電気的“ざわめき”を監視し、先進的なアルゴリズムでそのパターンを解読することで、周囲にどれだけ腐食性の塩が存在するかを推定できることを示しました。本研究は制御された実験室条件で行われたものですが、頑丈な電極をトンネル覆工に取り付けて電気化学ノイズデータをスマートなソフトウェアに送ることで、塩化物レベルが危険な閾値に近づいたときに警報を出す将来のシステムにつながる可能性があります。このような非侵襲的な早期警報ツールは、地下鉄運営者が保守計画を立て、トンネルの寿命を延ばし、隠れた腐食による突然の構造問題のリスクを低減するのに役立ちます。

引用: 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

キーワード: 地下鉄トンネルの腐食, 走電流, 塩化物イオン, 電気化学ノイズ, 機械学習による監視