The creep behavior of Ultra-High-Performance Concrete (UHPC) was investigated by machine learning (ML) and SHapley Additive exPlanations (SHAP). Important features were selected by feature importance analysis, including water-to-binder ratio, aggregate-to-cement ratio, compressive strength at loading age, elastic modulus at loading age, loading duration, steel fiber volume content, and curing temperature. Four typical ML models—Random Forest (RF), Artificial Neural Network (ANN), Extreme Gradient Boosting Machine (XGBoost), and Light Gradient Boosting Machine (LGBM)—were studied to predict the creep behavior of UHPC. Via Bayesian optimization and 5-fold cross-validation, the ML models were tuned to achieve high accuracy (R2 = 0.9847, 0.9627, 0.9898, and 0.9933 for RF, ANN, XGBoost, and LGBM, respectively). The contribution of different features to the creep behavior was ranked. Additionally, SHAP was utilized to interpret the predictions by the ML models, and four parameters stood out as the most influential for the creep coefficient: loading duration, curing temperature, compressive strength at loading age, and water-to-binder ratio. The SHAP results were consistent with theoretical understanding. Finally, the UHPC creep curves for three different cases were plotted based on the ML model developed, and the prediction by the ML model was more accurate than that by fib Model Code 2010.

Conventional polymeric solid–solid phase change materials (SSPCMs) have garnered significant attention in the development of state-of-the-art latent heat storage (LHS) systems. However, the industrial application of polymeric SSPCMs is compromised by inferior mechanical properties and intrinsic low thermal conductivity. In addition, they are unable to be recycled and self-healed due to permanently cross-linked structures. In this study, a series of healable and recyclable supramolecular SSPCMs (PEG4K-Bx-PEG6K), possessing robust tensile strength (∼22.90 MPa), excellent strain-at-break (∼733.62 %), and high toughness (∼120.05 MJ/m3), are designed and developed by incorporating dynamic boroxines and hydrogen bonds. Because of the reversibility of dynamic boroxines and hydrogen bonds, the PEG4K-Bx-PEG6K was able to be healable and conveniently processed into packaging bag. More importantly, the PEG4K-Bx-PEG6K also possessed high thermal storage capacity (98.03 J/g), and excellent thermal shape memory capability. To achieve efficient heat transfer, an orientated solar thermal composite with high thermal conductivity was fabricated by compression-induced repetitive stacking of oriented graphene nanosheets (GNs) layers in PEG4K-Bx-PEG6K. Thanks to the efficient heat conduction of oriented GNs layers in the composite, the directional thermal conductivity of composite was up to 3.639 W/mK at 5 wt% loading of GNs. Combining the above excellent heat conduction, the solar thermal composite developed in this work offered efficient solar thermal conversion, fast transportation and storage of the harvested thermal energy.

The dynamic pressure gob-side entry is affected by the whole mining process of the working face, and the cause of the large deformation is the additional stress generated during the rotary sinking process of the key block. Therefore, in order to alleviate the deformation of surrounding rock of roadway along goaf. The deep hole pre-splitting blasting roof cutting pressure relief method is used to relieve the pressure of the test roadway. In this study, finite element and discrete element models were established by means of numerical simulation and theoretical analysis, and the law of influence of cutting top height and Angle on roof cutting effect is studied. The optimal cutting height and angle are 15 m and 10° towards the gob, respectively. The industrial test results show that the deformation of surrounding rock of the test roadway is controlled within a reasonable range after pressure relief, and the roadway section meets the production demand.

This study explores reinforcement learning algorithms combined with graph embedding methods to optimize the assembly sequence of complex single-layer reticulate shells. To minimize the number of temporary support brackets during installation, the structural assembly process is modeled using the inverse dismantling process. The remaining members of the structure at each iteration step are scored, and the one with the highest score for removal is selected. Next, this study trains an effective intelligent agent to assemble the structure. The proposed method can be used to design several types of latticed shells. The trained intelligent model can complete the assembly sequence design of the mesh shell without requiring any other data except for previous structural information. To verify the feasibility of the novel method, it is compared with the empirical approach used in the traditional assembly sequence design process. The feasibility of the new method is demonstrated. It is indicated that the novel method can obtain the optimal solution accurately and efficiently. In addition, it has more innovative choices for installation sequences than the conventional technique. It has enormous potential and application in the civil engineering field.

In this paper, novel artificial neural networks are adopted for the topology optimization of full structures at both coarse and fine scales. The novelty of the surrogate-based method is to use neural networks to optimize the relationship from boundary and mesh conditions to structure density distribution. The objective of this study is to explore the feasibility and effectiveness of deep learning techniques for structural topology optimization. The newly developed neural networks are used for optimizing various types of structures with different meshes, partition numbers, and parameters. The finite element computation takes more than 90% of the total operation time of the SIMP method, but it decreases to 40%. It is indicated that the computational cost for the whole structural design process is relatively low, while the accuracy is acceptable. The proposed artificial neural network method is used to perform topology optimization for some numerical examples such as the cantilever beam, the MBB beam, the L-shape beam, the column, and the rod-supported bridge. It is demonstrated that computational efficiency is considerably improved while the proposed neural network method is adopted.