Elektrokemisk brusbaserad datautvinning för mätning av miljömässig Cl−-koncentration i armerad betong under störströmspåverkan

Varför tunnelbanetunnlar tyst rostar

Moderna städer förlitar sig på underjordiska tunnelbanetunnlar för att flytta miljontals människor varje dag. Dolda inne i dessa betongrör finns stålarmering som håller tunnlarna starka i årtionden. Men osynliga elektriska strömmar från tågen, i kombination med salt grundvatten, kan tysta och snabbare bryta ner detta stål än väntat. Denna artikel undersöker ett nytt, icke‑destruktivt sätt att ”lyssna” på små elektriska signaler från stålet och använda dem för att uppskatta hur mycket korrosivt salt som finns i omgivningen — innan allvarliga skador uppstår.

Dolda strömmar och salt vatten

Skyddade tunnelbanetunnlar byggs som permanenta konstruktioner avsedda att hålla i 50 till 100 år. Stångar av stål inbäddade i betong bär lasterna, medan betongen skyddar stålet från korrosion. I verkligheten badar tunnlarna i grundvatten som ofta innehåller kloridjoner, samma typ av salt som rostar bilar på vintern. Samtidigt använder tåg drivsystem likström, och en del av denna ström läcker från rälerna ut i omgivande mark som så kallad ”störström”. Där den läckande elektriciteten och kloridrikt vatten möter stålet kan korrosionshastigheten öka med en faktor 10 till 100 jämfört med naturliga förhållanden. När rost byggs upp skapar det tryck inuti betongen, vilket leder till sprickbildning, avflagnande och en försvagning som hotar tunnlarnas långsiktiga säkerhet.

Varför traditionella tester brister under jord

Ingenjörer vet att korrosion blir farlig så snart kloridnivåerna runt stålet passerar en kritisk tröskel och förstör metallens skyddande film. Men att mäta kloridkoncentrationen direkt under jord är svårt. Vanliga laboratoriemetoder — såsom att spraya kemiska indikatorer, ta kärnprover eller använda jonkromatografi — kräver borrning i konstruktioner, att material förflyttas till ytan eller att sköra sensorer placeras i fientlig mark. I en fungerande tunnelbana är dessa tillvägagångssätt kostsamma, störande och ofta omöjliga i det trånga utrymmet mellan tunnelhöljet och omgivande mark. Som ett resultat saknar driftansvariga ett enkelt sätt att övervaka hur nära deras konstruktioner är korrosionsens ”vändpunkter”.

Att lyssna på elektrokemiskt brus

Författarna vände sig till elektrokemiskt brus, de små slumpmässiga fluktuationerna i spänning och ström som uppstår när metall korroderar i en elektrolyt. I noggrant utformade laboratorietester inbäddade de stålarmering i murbruksklossar, delvis nedsänkte dem i saltlösningar med olika kloridkoncentrationer och applicerade kontrollerade störströmmar med titannätselektroder. Ett elektrokemiskt arbetsinstrument registrerade brusets signaler under en timme åt gången. Istället för att leta efter enkla trender i rådata behandlade teamet varje brusspår som ett rikt fingeravtryck av korrosionsmiljön. De rengjorde signalerna för att ta bort långsamma förskjutningar och beräknade sedan många statistiska mått i tid och frekvens, inklusive hur energi fördelades över olika wavelet‑band — i praktiken att dela upp bruset i komponenter från snabba till långsamma fluktuationer.

Att lära maskiner läsa fingeravtrycken

För att omvandla dessa fingeravtryck till en praktisk kloridmätare byggde forskarna en intelligent regressionsmodell som kopplar brusegenskaper till kloridkoncentration. I kärnan ligger XGBoost, en kraftfull maskininlärningsmetod baserad på beslutsträd. De förbättrade den på två sätt. För det första justerade en Whale Optimization Algorithm — en naturinspirerad sökmetod som efterliknar knölvalars jaktbeteende — automatiskt viktiga modellinställningar, såsom trädets djup och inlärningshastighet, för att undvika tidsödande försök‑och‑fel. För det andra lärde en attention‑mekanism vilka egenskaper i bruset som var mest betydelsefulla, och gav högre vikt åt de mest informativa tids‑frekvensindikatorerna samtidigt som de som tillförde litet värde nedviktades. Genom att kombinera dessa element tränades deras WOA‑XGBoost‑Attention‑modell på majoriteten av data och testades på osedda prover för att utvärdera tillförlitligheten.

Hur väl metoden presterar

Den optimerade modellen visade sig vara anmärkningsvärt noggrann. Över ett intervall av kloridkoncentrationer (0,05–0,9 mol/L) och störströmstätheter (0,05–0,1 A/cm²) förutsade den saltinnehållet med en genomsnittlig noggrannhet på cirka 95 % och en korrelation på 0,9929 mellan förutspådda och verkliga värden. Jämfört med andra populära metoder — inklusive vanlig XGBoost, Random Forests, Gradient Boosting, linjär regression och en neuronnätsmodell — gav denna hybrida metod de lägsta förutsägelsefelen och undvek stora avvikare. De mest användbara indata visade sig vara brusegenskaper relaterade till signalens spridning, vitbrusnivå, spektrums potenslagbeteende och specifika wavelet‑energiband, vilket bekräftar att subtila mönster i bruset bär detaljerad information om omgivningen.

Vad detta innebär för riktiga tunnlar

För en ickespecialist är slutsatsen att författarna visat att det är möjligt att uppskatta hur mycket korrosivt salt som omger nedgrävt stål enbart genom att övervaka dess naturliga elektriska ”prat” och låta en avancerad algoritm avkoda mönstret. Även om arbetet utfördes under kontrollerade laboratorieförhållanden pekar det mot framtida system där robusta elektroder monterade på tunnelhöljen matar elektrokemiskt brus till smart programvara som varnar när kloridnivåer närmar sig farliga trösklar. Ett sådant icke‑invasivt tidigt varningsverktyg kan hjälpa tunneloperatörer planera underhåll, förlänga tunnelns livslängd och minska risken för plötsliga strukturella problem orsakade av dold korrosion.

Citering: 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

Nyckelord: korrosion i tunnelbana, störström, kloridjoner, elektrokemiskt brus, övervakning med maskininlärning