Kaçak akım paraziti altında betonarme yapının çevresel Cl− konsantrasyonunun elektro-kimyasal gürültü tabanlı veri madenciliği ile ölçümü

Neden metro tünelleri sessizce paslanır

Modern şehirler, her gün milyonlarca insanı taşımak için yeraltı metro tünellerine güvenir. Bu beton tüplerin içinde onlarca yıl boyunca tünelleri güçlü tutan çelik donatı çubukları gizlidir. Ancak trenlerden kaynaklanan görünmez elektrik akımları ile tuzlu yeraltı suyu, bu çeliği beklenenden çok daha hızlı şekilde sessizce aşındırabilir. Bu makale, çelikten gelen küçük elektrik sinyallerini “dinleyerek” çevredeki korozif tuz miktarını ciddi hasar oluşmadan önce tahmin etmeye yarayan yeni, tahribatsız bir yöntemi inceliyor.

Gizli akımlar ve tuzlu su

Metro kalkan tünelleri kalıcı yapılar olarak inşa edilir ve 50–100 yıl dayanması hedeflenir. Betona gömülü çelik çubuklar yükleri taşırken beton çelikleri korozyondan korur. Gerçekte tüneller, çoğu zaman arabalarda kışın olan türden klorür iyonları içeren yeraltı suyuna maruz kalır. Aynı zamanda tren çekiş sistemleri doğru akım kullanır ve bu akımın bir kısmı raylardan çevre toprağa “kaçak akım” olarak sızar. Sızan elektrik ile klorürce zengin suyun çelikle buluştuğu yerde, korozyon doğal koşullara göre 10 ila 100 kat hızlanabilir. Pas biriktiğinde beton içinde basınç oluşturur; bu da çatlama, yüzey kopması ve uzun vadeli tünel güvenliğini tehdit eden mukavemet kaybına yol açar.

Geleneksel testlerin yeraltında neden yetersiz olduğu

Mühendisler, çeliğin çevresindeki klorür seviyeleri kritik bir eşik aştığında koruyucu filmin yok olduğunu ve korozyonun tehlikeli hale geldiğini bilir. Ancak yeraltında doğrudan klorür konsantrasyonunu ölçmek zordur. Kimyasal göstergelerle püskürtme, gövde numunesi alma veya iyon kromatografisi gibi yaygın laboratuvar yöntemleri yapılara sondaj gerektirir, malzemeleri yüzeye çıkarmayı zorunlu kılar veya kırılgan sensörleri agresif toprak ortamına yerleştirmeyi ister. İşleyen bir metro tünelinde bu yaklaşımlar maliyetli, iş kesintisine yol açan ve tünel elemanı ile çevre zemin arasındaki dar alanda sıklıkla uygulanamazdır. Sonuç olarak işletmecilerin yapılarının korozyon “dönüş noktalarına” ne kadar yakın olduğunu izleyecek basit bir yolu yoktur.

Elektrokimyasal gürültüyü dinlemek

Yazarlar elektrokimyasal gürültüye yönelir: metalin bir elektrolitte aşınması sırasında doğal olarak ortaya çıkan küçük rastgele voltaj ve akım dalgalanmaları. Dikkatle tasarlanmış laboratuvar deneylerinde, mortar bloklarına çelik çubuklar gömdüler, bunları farklı klorür konsantrasyonlarındaki tuz çözeltilerine kısmen daldırdılar ve titanyum ağ elektrotlar kullanarak kontrollü kaçak akımlar uyguladılar. Bir elektrokimyasal çalışma istasyonu, gürültü sinyallerini saatlik aralıklarla kaydetti. Ham veride basit eğilimler aramak yerine ekip, her gürültü izini korozyon ortamının zengin bir parmak izi olarak ele aldı. Sinyalleri yavaş sürüklenmeleri gidermek için temizlediler, ardından zaman ve frekansta pek çok istatistiksel ölçü hesapladılar; bunlar arasında enerjinin farklı dalgacık (wavelet) bantları arasında nasıl dağıldığını da içeren, temelde gürültüyü hızlıdan yavaşa bileşenlerine ayırma yer aldı.

Parmak izlerini okumayı makinelere öğretmek

Bu parmak izlerini pratik bir klorür “ölçer”e dönüştürmek için araştırmacılar, gürültü özelliklerini klorür konsantrasyonuna bağlayan akıllı bir regresyon modeli geliştirdiler. Çekirdeğinde karar ağaçlarına dayalı güçlü bir makine öğrenimi yöntemi olan XGBoost yer alır. Bunu iki şekilde geliştirdiler. Birincisi, kambur balinaların avlanma davranışını taklit eden doğadan ilhamlı bir arama yöntemi olan Whale Optimization Algorithm (Balina Optimizasyon Algoritması) önemli model ayarlarını (ağaç derinliği, öğrenme hızı gibi) otomatik olarak ayarlayarak zahmetli deneme‑yanılmayı önledi. İkincisi, bir dikkat (attention) mekanizması gürültünün hangi özelliklerinin en önemli olduğunu öğrenerek en bilgilendirici zaman‑frekans göstergeciğine daha yüksek ağırlık verdi, az katkı sağlayanları ise azaltıldı. Bu unsurlar birleştirilerek WOA‑XGBoost‑Attention modeli verilerin çoğu üzerinde eğitildi ve güvenilirliği değerlendirmek için görülmemiş örneklerde test edildi.

Yöntemin performansı ne kadar iyi

Optimizasyonlu model şaşırtıcı derecede doğru bulundu. Çeşitli klorür konsantrasyonları (0.05–0.9 mol/L) ve kaçak akım yoğunlukları (0.05–0.1 A/cm²) aralığında, tuz seviyesini ortalama yaklaşık %95 doğrulukla ve tahmin edilen ile gerçek değerler arasında 0.9929 korelasyon ile tahmin etti. Basit XGBoost, Rastgele Ormanlar, Gradient Boosting, lineer regresyon ve bir sinir ağ modeli dahil diğer popüler yaklaşımlarla karşılaştırıldığında bu hibrit yöntem en düşük tahmin hatalarını üretti ve büyük uç değerlerden kaçındı. En faydalı girdiler, sinyal yayılımı, beyaz gürültü seviyesi, spektral gücün kuvvet‑yasa davranışı ve belirli dalgacık enerji bantlarıyla ilişkili gürültü özellikleri olarak ortaya çıktı; bu da gürültüdeki ince desenlerin çevre hakkında ayrıntılı bilgi taşıdığını doğruladı.

Gerçek tüneller için bunun anlamı

Uzman olmayan bir kişi için sonuç şu: Yazarlar, gömülü çeliğin doğal elektrik “tıpatıp”larını izleyip gelişmiş bir algoritmanın deseni çözmesine izin vererek çevresinde ne kadar korozif tuz olduğunu tahmin etmenin mümkün olduğunu gösterdiler. Bu çalışma kontrollü laboratuvar koşullarında yapılmış olsa da, tünel kaplamalarına monte edilmiş sağlam elektrotların elektrokimyasal gürültü verilerini akıllı yazılıma beslediği ve klorür seviyeleri tehlikeli eşiklere yaklaştığında alarm verdiği gelecekteki sistemlere işaret ediyor. Böyle bir tahribatsız erken uyarı aracı, metro işletmecilerinin bakım planlamasına, tünel ömrünü uzatmaya ve gizli korozyonun neden olduğu ani yapısal sorun riskini azaltmaya yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: metro tüneli korozyonu, kaçak akım, klorür iyonları, elektrokimyasal gürültü, makine öğrenimi izlemesi