Carbonated recycled concrete fines (RCF) possess the potential to serve as supplementary cementitious materials (SCMs). However, calcium carbonate (Cc) formed during traditional carbonation methods generally shows low reactivity. Moreover, the remaining calcium silicate hydrate (C-S-H) with a low Ca/Si ratio exhibits enhanced resistance to decalcification, leading to the formation of lower content of silica gels. These factors limit the reactivity and utilization of carbonated RCF in cementitious systems. In the present work, mechanochemistry was introduced into the RCF carbonation process, a technique named mechanochemical carbonation (MC), to enhance the reactivity of carbonated RCF. This study delved into the influence of MC-treated RCF (MCR) on the early performance of cement composites. The findings reveal that MCR exerted a more pronounced promotional effect on cement hydration, as demonstrated by the earlier appearance of hydration peaks for silicates and aluminates, coupled with increased peak intensity. This then resulted in a notable enhancement in early compressive strength. Specifically, with 10 wt% MCR, the compressive strength increased by approximately 19.9 % and 24.7 % at 1 d and 3 d, respectively. In comparison, samples incorporating wet carbonated RCF (WCR) demonstrated lower enhancements, with increases of only 4.5 % and 12.0 % at 1 d and 3 d, respectively. The enhanced performance of MCR can be attributed to the increased formation of nano-sized amorphous silica gels and metastable Cc. These components exhibit elevated reactivity and contribute to seeding effects, thereby promoting the overall reactivity and strength development of the cementitious system. These findings underscore the promising application potential of MC in transforming RCF into highly reactive SCMs.

Concrete possesses significant potential as a medium for CO2 sequestration. Nevertheless, conventional approaches like CO2 mixing and carbonation curing have shown limited efficacy in this regard. The present work introduces a groundbreaking method for enhancing CO2 reduction in concrete production. It involves preparing carbon sequestration precursors (CSP) through carbonation of cement reinforced by mechanochemical effects. The study investigated the kinetics and phase assemblage during the CSP production process, along with examining the impact of CSP on the reaction kinetics and strength development of cement composites. Due to the mechanochemical effects, CSP was characterized by the prevalence of metastable calcium carbonate (Cc) with a small crystalline size. Moreover, CSP not only accelerated the hydration of cement composites but also led to increased compressive strength at all ages, even with the replacement of 30 wt% of cement by CSP. The multifunctional attributes of CSP, including nucleation, reactant, and inert filler roles, contributed to its exceptional performance. Furthermore, utilizing the CSP method demonstrated a significant capacity for CO2 reduction, exceeding 36.5%, which is more than seven times that of the traditional CO2 mixing method. The positive outcomes from this study underscore the high efficacy of the CSP method for efficient CO2 sequestration in concrete.

In the context of a complex marine environment, extracting and recognizing underwater acoustic target features using ship-radiated noise present significant challenges. This paper proposes a novel deep neural network model for underwater target recognition, which integrates 3D Mel frequency cepstral coefficients (3D-MFCC) and 3D Mel features derived from ship audio signals as inputs. The model employs a serial architecture that combines a convolutional neural network (CNN) with a long short-term memory (LSTM) network. It replaces the traditional CNN with a multi-scale depthwise separable convolutional network (MSDC) and incorporates a multi-scale channel attention mechanism (MSCA). The experimental results demonstrate that the average recognition rate of this method reaches 87.52% on the DeepShip dataset and 97.32% on the ShipsEar dataset, indicating a strong classification performance.