Advances and innovations in science and engineering have been increasingly supported by nanotechnology, and the modification of cementitious materials by nanoengineering is an expanding field. With this perspective, this paper aims to elucidate the behavior of steel bars in concrete with the addition of carbon nanotubes (CNTs) as a function of the characteristics of the cement-based material, the dispersion techniques and dosage of CNTs, the bond tests and specimen geometry, and the rebar characteristics. To reach this proposed goal, the ProKnow-C methodology was applied to select the most relevant publications from the last ten years, and then seven articles were fully analyzed. The results of the present systematic review of the literature revealed both consolidated knowledge and gaps to be filled in future research, as the need to study the chemical effect of adding these nanomaterials for improving steel–concrete adhesion, the bonding of thin bars in concrete, and the real influence of anchorage length on the steel–concrete bond, regardless of the use of CNTs, is vital.

The durability of reinforced concrete (RC) structures is strongly influenced by carbonation, a phenomenon governed by material and environmental interactions. This study applied machine learning (ML) techniques—Random Forest (RF), Support Vector Regression (SVR), and Artificial Neural Networks (ANNs)—to predict carbonation depth using a synthetic dataset of 20,000 instances generated from the validated Possan equation. Model performances were evaluated across multiple scenarios, with compressive strength and exposure time identified as the most influential features, while relative humidity and exposure conditions had intermediate effects. SVR consistently captured linear and nonlinear trends, the ANN achieved the highest R² values but showed minor overestimations, and RF exhibited lower adaptability to feature variations. The results highlight the applicability of ML models for durability assessments, particularly under complex conditions where traditional approaches are limited. Moreover, this study reinforces the strategic value of synthetic datasets in developing predictive models when experimental data collection is time-consuming or impractical. The methodologies developed here can be extended beyond carbonation modeling to other deterioration processes, supporting data-driven strategies for maintenance planning and resilience design in RC structures.

RESUMO Os impactos ambientais causados pela produção do concreto precisam ser reduzidos para torná-lo um material mais sustentável. O uso de agregados reciclados em substituição aos agregados naturais e das adições minerais em substituição parcial ao cimento são alternativas que podem tornar o concreto um material com menor carga de poluentes associada à sua produção. Com o uso da metodologia do realizada uma seleção e análise de artigos com o objetivo de avaliar o cenário de pesquisas recentes sobre concretos com agregados reciclados de resíduos de construção e demolição (RCD) combinados com diversos tipos de adições minerais. Por meio da metodologia ProKnow-C obteve-se um portfólio bibliográfico composto por onze artigos. Os artigos do portfólio foram analisados para avaliar quais adições minerais e as proporções que foram utilizadas e sua eficiência para melhorar o desempenho mecânico e a durabilidade do concreto com agregados reciclados, em substituição total ou parcial ao agregado natural, tanto fino quanto graúdo. A pesquisa mostrou que agregados reciclados de RCD podem ser utilizados em altas porcentagens de substituição aos agregados naturais quando combinados com o uso de algum tipo de adição mineral. Entre as adições utilizadas nas pesquisas avaliadas estão: a sílica ativa, cinza volante e escória granulada de alto forno e cada tipo de adição utilizada apresenta um percentual ideal para ser utilizado em substituição parcial ao cimento.