This work introduces a novel artificial neural network (ANN)-powered phase field model, offering rapid and precise predictions of fracture propagation in brittle materials. To improve the capabilities of the ANN model, we incorporate a loop of conditions into its core to regulate the absolute percentage error for each observation point, that filters and consistently selects the most accurate outcome. This algorithm enables our model to better adapt to the highly sensitive validation data arising from varying configurations. The effectiveness of the approach is illustrated through three examples involving changes in the microgeometry and material properties of steel fiber-reinforced high-strength concrete structures. Indeed, the predicted outcomes from the improved ANN phase field model in terms of stress–strain relationship, and crack propagation path demonstrates an outperformance compared with that based on the extreme gradient boosting method, a leading regression machine learning technique for tabular data. Additionally, the introduced model exhibits a remarkable speed advantage, being 180 times faster than traditional phase field simulations, and provides results at nearly any fiber location, demonstrating superiority over the phase field model. This study marks a significant advancement in the application of artificial intelligence for accurately predicting crack propagation paths in composite materials, particularly in cases involving the relative positioning of the fiber and initial crack location.

This study proposes a new approach to construct predictive formulas for the permeability of Pervious Concrete (PC), which depends on PC mixture and porosity. To achieve this, a dataset of 195 samples collected from different sources was used. In the dataset the permeability is dependent on porosity, aggregate-to-cement ratio (AC), maximum nominal sizes (MS) of coarse aggregate, and water-to-cement or binder ratios (WC). From the dataset and through applying simple regression techniques, several analytical functions based on the Kozeny-Carman model were constructed and evaluated for their effectiveness in implementing independent datasets and similar analytical functions. Furthermore, for the first time, the Genetic Programming-based Symbolic Regression method was adopted to construct hybrid models combined with the Kozeny-Carman analytical model. The equation of the hybrid model ensures both basic physical conditions and efficiency while being simple enough for engineering-level applications.

Phân bố nhiệt độ trong kết cấu bê tông cốt thép (BTCT) ở tuổi sớm do ảnh hưởng của nhiệt thủy hóa xi măng là một vấn đề quan trọng cần phải được nghiên cứu, bởi hiện tượng này sinh ra ứng suất nhiệt và có ảnh hưởng trực tiếp đến quan hệ ứng suất-biến dạng của kết cấu BTCT. Ứng suất nhiệt này có giá trị tương đối lớn và là một trong những nguyên nhân gây ra vết nứt trong kết cấu bê tông ở giai đoạn thi công. Trong bài báo này, chúng tôi đưa ra một số vấn đề mới để phân tích nguyên nhân của sự hình thành và phân bố trường nhiệt độ trong kết cấu BTCT: (i) phương pháp đồng nhất hóa được áp dụng để xác định hệ số dẫn nhiệt tương đương và bề dày có hiệu của lớp vật liệu BTCT với các đường kính cốt thép, chiều dày bê tông bảo vệ và cấp bê tông điển hình; (ii) xây dựng chương trình tính toán dựa vào hệ số dẫn nhiệt tương đương đạt được của lớp BTCT và các phương trình truyền nhiệt để phân tích các trường nhiệt độ theo thời gian do thủy hóa xi măng trong một kết cấu trụ cầu thực tế.