基于电化学噪声的数据挖掘用于受游离电流干扰的钢筋混凝土结构环境Cl−浓度测量

地铁隧道为何悄然生锈

现代城市依赖地下地铁隧道每天输送数以百万计的乘客。隐藏在混凝土管中的是能够让隧道数十年保持强度的钢筋。但来自列车的不可见电流与含盐地下水共同作用，会比预期更快地侵蚀这些钢筋。本文探讨了一种新的非破坏性方法，如何“倾听”钢筋发出的微弱电信号，并用它们来估算周围环境中腐蚀性盐分的含量——在严重损坏发生之前。

隐蔽电流与含盐水

地铁盾构隧道作为永久性结构建造，设计寿命通常为50至100年。埋入混凝土中的钢筋承担荷载，而混凝土则保护钢筋免受腐蚀。但实际上，隧道常被含有氯离子的地下水包围，这种氯化物与冬季腐蚀汽车的盐相同。同时，列车牵引系统使用直流电，部分电流从轨道泄漏到周围土体，形成“游离电流”。当泄漏电流遇到富含氯离子的水并作用于钢筋时，腐蚀速率可比自然条件快10到100倍。随着锈蚀累积，混凝土内部产生压力，导致开裂、剥落和强度丧失，威胁隧道的长期安全。

传统检测在地下的局限

工程师知道一旦钢筋周围的氯化物浓度超过临界阈值，保护膜就会被破坏，腐蚀变得危险。然而，直接在地下测量氯离子浓度很困难。常见的实验室方法——例如喷涂化学指示剂、取芯样本或使用离子色谱法——需要对结构进行钻孔、将材料带到地面，或将易损传感器置于恶劣土体中。在运行中的地铁隧道，这些方法代价高、扰动大，且在衬砌与周围土体之间的狭小空间内常常无法实施。因此，运营方缺乏一种简单的手段来监测其结构距离腐蚀“临界点”的远近。

倾听电化学噪声

作者转而研究电化学噪声——金属在电解质中腐蚀时自然产生的微小随机电压和电流波动。在精心设计的实验室试验中，他们将钢筋埋入砂浆块，将其部分浸入不同氯化物浓度的盐溶液中，并使用钛网电极施加可控的游离电流。电化学工作站连续记录每小时的噪声信号。研究团队并未仅仅寻找原始数据中的简单趋势，而是将每条噪声轨迹视为腐蚀环境的丰富指纹。他们去除了缓慢漂移，然后计算了大量时域与频域的统计量，包括能量在不同小波带之间的分布——本质上将噪声分解为从快速到缓慢波动的成分。

教机器读取指纹

为了将这些指纹转化为实用的氯化物“计”，研究人员构建了一个将噪声特征与氯化物浓度关联的智能回归模型。模型的核心是XGBoost，一种强大的基于决策树的机器学习方法。他们从两个方面对其进行了增强。首先，鲸鱼优化算法（WOA）——一种模拟座头鲸捕食行为的自然启发式搜索方法——自动调整关键模型参数，如树深度和学习率，以避免繁琐的反复调试。其次，注意力机制学习哪些噪声特征最重要，对最具信息量的时频指标赋予更高权重，而对贡献不大的特征降低权重。通过将这些要素结合，他们的WOA‑XGBoost‑Attention模型在大部分数据上训练，并在未见样本上测试以评估可靠性。

方法的性能如何

优化后的模型表现出极高的准确性。在氯化物浓度范围（0.05–0.9 mol/L）和游离电流密度（0.05–0.1 A/cm²）范围内，模型对盐含量的平均预测准确率约为95%，预测值与真实值之间的相关系数为0.9929。与其他常用方法相比——包括基础XGBoost、随机森林、梯度提升、线性回归和神经网络模型——这一混合方法产生了最低的预测误差并避免了大的异常值。最有用的输入特征包括与信号扩散、白噪声水平、谱的幂律行为及特定小波能量带相关的噪声特征，证实了噪声中的微妙模式携带着关于周围环境的详细信息。

对实际隧道的意义

对非专业读者而言，结论是：作者展示了仅通过监测埋地钢筋的自然电“喋喋不休”并让先进算法解码其模式，就能估算周围腐蚀性盐分的可能性。尽管该工作在受控实验室条件下完成，但它指向了未来的系统：在隧道衬砌上安装坚固的电极，采集电化学噪声数据并输入智能软件，当氯化物水平接近危险阈值时发出警报。这类非侵入性的早期预警工具可帮助地铁运营方规划维护、延长隧道使用寿命，并降低由隐蔽腐蚀引发的突发结构问题的风险。

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

关键词: 地铁隧道腐蚀, 游离电流, 氯离子, 电化学噪声, 机器学习监测