Анализ электрохимического шума для определения концентрации Cl− в окружающей среде армированных бетонных конструкций при наводящем токе

Почему тоннели метро тихо ржавеют

Современные города полагаются на подземные тоннели метро, которые ежедневно перевозят миллионы людей. Внутри этих бетонных труб скрыты арматурные стержни, обеспечивающие прочность тоннелей на десятилетия. Но невидимые электрические токи от поездов вместе с солёной грунтовой водой могут значительно ускорить разрушение этой стали. В статье рассматривается новый неразрушающий метод «прослушивания» крошечных электрических сигналов от стали и использования их для оценки того, сколько агрессивной соли содержится в окружающей среде — до появления серьёзных повреждений.

Скрытые токи и солёная вода

Щитовые тоннели метро проектируются как постоянные сооружения, рассчитанные на 50–100 лет службы. Арматура в бетоне воспринимает нагрузки, а бетон защищает сталь от коррозии. На практике тоннели постоянно находятся во взаимодействии с грунтовыми водами, которые часто содержат хлорид‑ионы — тот же тип соли, что вызывает коррозию автомобилей зимой. Одновременно тяговые системы поездов используют постоянный ток, часть которого утекает от рельсов в окружающий грунт как «наводящий ток». Там, где утекший ток встречается с водой, насыщенной хлоридами, коррозия стали может ускоряться в 10–100 раз по сравнению с естественными условиями. По мере накопления ржавчины внутри бетона развивается давление, что приводит к трещинообразованию, отслаиванию и потере прочности — и ставит под угрозу долговечность тоннеля.

Почему традиционные методы не работают под землёй

Инженерам известно, что коррозия становится опасной, когда уровни хлоридов вокруг стали превышают критический порог и разрушают защитную плёнку на металле. Однако прямое измерение концентрации хлоридов под землёй затруднено. Обычные лабораторные методы — такие как распыление химических индикаторов, отбор кернов или ионная хроматография — требуют бурения в конструкциях, извлечения материалов на поверхность или установки хрупких датчиков в агрессивную среду. В действующем тоннеле метро эти подходы дороги, нарушают работу и часто невозможны в узком зазоре между оболочкой тоннеля и грунтом. В результате у эксплуатирующих организаций нет простого способа отслеживать, насколько близки конструкции к коррозионным «точкам перегиба».

Прослушивание электрохимического шума

Авторы обратились к электрохимическому шуму — крошечным случайным флуктуациям напряжения и тока, которые естественно возникают при коррозии металла в электролите. В тщательно продуманных лабораторных экспериментах они заложили арматурные стержни в строительный раствор, частично погрузили образцы в солевые растворы с разной концентрацией хлоридов и создали контролируемые наводящие токи с помощью титановый сетчатых электродов. Электрохимическая установка записывала шумовые сигналы по часу за сессию. Вместо поиска простых трендов в сырых данных команда рассматривала каждую запись как богатый отпечаток коррозионной среды. Сигналы очищали от медленных дрейфов, затем вычисляли множество статистических характеристик во временной и частотной областях, включая распределение энергии по различным вейвлет‑диапазонам — фактически разложение шума на составляющие от быстрых до медленных флуктуаций.

Обучение машин распознавать отпечатки

Чтобы превратить эти отпечатки в практический «хлоридометр», исследователи построили регрессионную модель, связывающую признаки шума с концентрацией хлоридов. В основе лежит XGBoost — мощный метод машинного обучения на базе решающих деревьев. Модель усовершенствовали двумя способами. Во‑первых, алгоритм оптимизации Whale Optimization Algorithm — метод, вдохновлённый поведением горбачёвых китов при охоте — автоматически подбирал ключевые настройки модели, такие как глубина деревьев и скорость обучения, чтобы избежать утомительного метода проб и ошибок. Во‑вторых, механизм внимания (attention) научился выделять, какие признаки шума наиболее значимы, придавая больший вес самым информативным временнo‑частотным индикаторам и снижая влияние малоинформативных признаков. Объединив эти элементы, их модель WOA‑XGBoost‑Attention обучали на основной части данных и тестировали на невидимых образцах для оценки надёжности.

Насколько хорошо работает метод

Оптимизированная модель показала выдающуюся точность. В диапазоне концентраций хлоридов 0.05–0.9 моль/л и плотностей наводящего тока 0.05–0.1 А/см² она предсказывала уровень соли с средней точностью около 95% и корреляцией 0.9929 между предсказанными и истинными значениями. По сравнению с другими популярными подходами — включая простой XGBoost, случайные леса, градиентный бустинг, линейную регрессию и нейронную сеть — гибридный метод дал наименьшие ошибки предсказания и избежал крупных выбросов. Наиболее полезными входными данными оказались признаки шума, связанные с размахом сигнала, уровнем белого шума, степенным законом спектра и энерговыми полосами вейвлета, что подтверждает: тонкие закономерности в шуме несут детальную информацию об окружающей среде.

Что это значит для реальных тоннелей

Для неспециалиста суть в том, что авторы показали: можно оценить, сколько агрессивной соли окружает зарытую сталь, просто наблюдая её естественное электрическое «переписывание» и позволяя продвинутому алгоритму расшифровать шаблон. Хотя работа проводилась в контролируемых лабораторных условиях, она указывает путь к будущим системам, где прочные электроды, установленные на облицовке тоннеля, будут передавать данные электрохимического шума в интеллектуальное ПО, которое подаёт сигнал тревоги при приближении концентрации хлоридов к опасным порогам. Такой неинвазивный инструмент раннего предупреждения может помочь операторам метро планировать техническое обслуживание, продлить срок службы тоннелей и снизить риск внезапных структурных проблем, вызванных скрытой коррозией.

Цитирование: 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

Ключевые слова: коррозия в тоннелях метро, наводящий ток, ионы хлора, электрохимический шум, мониторинг с помощью машинного обучения