This paper studies the influence of basalt fibers on the mechanical properties, fatigue life, and toughness of Mechanically Recycled Aggregate Concrete (MRAC). Basalt fibers of varying volume fractions and lengths, along with quantified amounts of mineral powder and fly ash, are incorporated into MRAC to prepare Basalt Fiber Mechanically Recycled Aggregate Concrete (BFMRAC). The results of basic mechanical tests and fatigue tests showed that mineral powder and fly ash reduce cement consumption, achieve the effect of green construction, and basalt fibers improve the mechanical properties and toughness of concrete. The results of the response surface method (RSM) model indicate that the volume fraction of basalt fibers has a greater influence on the mechanical properties of BFMRAC compared to fiber length. The fatigue test results indicate that under different fiber volume fractions and lengths, the uniaxial compressive fatigue life (N) of specimens for each mix proportion is consistently improved. When the length of basalt fibers is 12 mm and the volume fraction is 0.3%, the uniaxial compressive fatigue life of BFMRAC reaches its maximum (231638), which is twice that of MRAC. When the survival rate (P) is set to 0.5, with a basalt fibers volume content of 0.3% and a length of 12 mm, the fatigue limit strength (Se) attains its maximum (0.8648 fc). When stress levels (S) reach 0.75 and the basalt fibers length is 12 mm, the relative CI Intensifying Coefficient achieves its maximum (1.133), resulting in optimal fatigue toughness. When the basalt fibers length is 6-12 mm, Se generally increases with the increase of fiber length, and the enhancement effect is best at 12 mm.

To alert upcoming structural failure is a critical task for structural health monitoring of bridges. Traditional methods mainly rely on thresholds, which are often fixed values and may cause missing or too sensitive reports. Identifying abnormal data, locating the source of anomalies and delivering proportional alerts require new, dynamic, and robust algorithms running on massively streaming monitoring data. This article proposes a new machine learning-based anomaly detection method for historical data mining as well as real-time alerting. The method transforms one-dimensional time series into two-dimensional tensors, enabling the encoder-like model to simultaneously learn the changes in multiple sensors within and between temporal cycles in a two-dimensional space. Training and validation of the proposed method are presented with data from a bridge monitoring system in service, and comparisons against traditional threshold-based alerting method are made. The proposed method can accurately identify abnormalities beyond the traditional thresholds and effectively detect abnormal deviations of sensors, thus constituting as a promising module for real-time alerting systems of bridges.