Mineração de dados baseada em ruído eletroquímico para medição da concentração ambiental de Cl− em estruturas de concreto armado sob interferência de corrente de fuga

Por que os túneis de metrô enferrujam silenciosamente

Cidades modernas dependem de túneis de metrô subterrâneos para transportar milhões de pessoas todos os dias. Escondidas dentro desses tubos de concreto estão barras de aço que mantêm os túneis estruturalmente sólidos por décadas. Mas correntes elétricas invisíveis geradas pelos trens, juntamente com água subterrânea salgada, podem corroer esse aço muito mais rápido do que o esperado. Este artigo explora uma nova forma não destrutiva de “ouvir” sinais elétricos minúsculos provenientes do aço e usá‑los para estimar quanto sal corrosivo existe no ambiente ao redor—antes que ocorram danos graves.

Correntes ocultas e água salgada

Os túneis com escudo do metrô são construídos como estruturas permanentes, projetadas para durar de 50 a 100 anos. As barras de aço incorporadas no concreto suportam as cargas, enquanto o concreto protege o aço da corrosão. Na prática, os túneis ficam imersos em água subterrânea que frequentemente contém íons cloreto, o mesmo tipo de sal que corrói veículos no inverno. Ao mesmo tempo, os sistemas de tração dos trens usam corrente contínua, e uma parcela dessa corrente vaza dos trilhos para o solo circundante como “corrente de fuga”. Onde a eletricidade vazada e a água rica em cloretos encontram o aço, a corrosão pode ser acelerada por um fator de 10 a 100 em comparação com condições naturais. À medida que a ferrugem se acumula, ela gera pressão dentro do concreto, levando ao aparecimento de fissuras, desplacamento e perda de resistência, o que compromete a segurança de longo prazo do túnel.

Por que os testes tradicionais falham no subterrâneo

Engenheiros sabem que a corrosão se torna perigosa quando os níveis de cloreto ao redor do aço ultrapassam um limite crítico, destruindo a película protetora do metal. Contudo, medir diretamente a concentração de cloreto no subsolo é difícil. Métodos laboratoriais comuns—como pulverizar indicadores químicos, coletar amostras de testemunho ou usar cromatografia iônica—exigem perfuração nas estruturas, transporte de materiais para a superfície ou a colocação de sensores frágeis em um solo agressivo. Em um túnel de metrô em operação, essas abordagens são caras, disruptivas e frequentemente impossíveis no espaço estreito entre o revestimento do túnel e o solo envolvente. Como resultado, os operadores não dispõem de um método simples para monitorar quão próximos suas estruturas estão dos “pontos de inflexão” da corrosão.

Ouvindo o ruído eletroquímico

Os autores recorrem ao ruído eletroquímico, as pequenas flutuações aleatórias de tensão e corrente que surgem naturalmente quando o metal corroe em um eletrólito. Em testes laboratoriais cuidadosamente projetados, eles embutiram barras de aço em blocos de argamassa, submergiram‑nos parcialmente em soluções salinas com diferentes concentrações de cloreto e aplicaram correntes de fuga controladas usando eletrodos de malha de titânio. Uma estação eletroquímica registrou os sinais de ruído por uma hora por vez. Em vez de procurar tendências simples nos dados brutos, a equipe tratou cada traço ruidoso como uma impressão digital rica do ambiente de corrosão. Eles filtraram os sinais para remover deriva lenta e então calcularam muitas medidas estatísticas no domínio do tempo e da frequência, incluindo como a energia se distribuía por diferentes bandas de wavelet—essencialmente decompondo o ruído em componentes que vão de flutuações rápidas a lentas.

Ensinando máquinas a ler as impressões digitais

Para transformar essas impressões em um “medidor” prático de cloreto, os pesquisadores construíram um modelo de regressão inteligente que liga características do ruído à concentração de cloreto. No núcleo está o XGBoost, um poderoso método de aprendizado de máquina baseado em árvores de decisão. Eles o aprimoraram de duas formas. Primeiro, um Whale Optimization Algorithm—um método de busca inspirado na natureza que imita o modo como as baleias‑jubarte caçam—ajustou automaticamente configurações-chave do modelo, como profundidade das árvores e taxa de aprendizado, evitando tentativas e erros tediosas. Segundo, um mecanismo de atenção aprendeu quais características do ruído eram mais importantes, atribuindo maior peso aos indicadores tempo‑frequência mais informativos e reduzindo a influência daqueles que pouco agregavam. Combinando esses elementos, seu modelo WOA‑XGBoost‑Attention foi treinado com a maior parte dos dados e testado em amostras não vistas para avaliar a confiabilidade.

Desempenho do método

O modelo otimizado mostrou‑se notavelmente preciso. Em uma faixa de concentrações de cloreto (0,05–0,9 mol/L) e densidades de corrente de fuga (0,05–0,1 A/cm²), ele previu o nível de sal com uma precisão média de cerca de 95% e uma correlação de 0,9929 entre valores previstos e reais. Em comparação com outras abordagens populares—including XGBoost puro, Random Forests, Gradient Boosting, regressão linear e um modelo de rede neural—este método híbrido apresentou os menores erros de predição e evitou grandes outliers. As entradas mais úteis mostraram‑se ser características do ruído relacionadas à dispersão do sinal, nível de ruído branco, comportamento em lei de potência do espectro e bandas específicas de energia wavelet, confirmando que padrões sutis no ruído carregam informação detalhada sobre o ambiente ao redor.

O que isso significa para túneis reais

Para um público não especialista, a conclusão é que os autores demonstraram ser possível estimar quanto sal corrosivo envolve o aço enterrado simplesmente monitorando seu “tagarelar” elétrico natural e deixando um algoritmo avançado decodificar o padrão. Embora este trabalho tenha sido realizado em condições laboratoriais controladas, ele aponta para sistemas futuros nos quais eletrodos robustos montados no revestimento do túnel alimentem dados de ruído eletroquímico em software inteligente que acione alarmes quando os níveis de cloreto se aproximarem de limites perigosos. Uma ferramenta não invasiva de alerta precoce desse tipo poderia ajudar operadores de metrô a planejar manutenção, estender a vida útil dos túneis e reduzir o risco de problemas estruturais súbitos causados por corrosão oculta.

Citação: 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

Palavras-chave: corrosão em túneis de metrô, corrente de fuga, íons cloreto, ruído eletroquímico, monitoramento por aprendizado de máquina