Quantifying total sulfide content of cores and cut-rock surfaces using thermal infrared reflectance
Notice bibliographique
Résumé
Abstract In this study, core samples of sulfide-rich zones were delineated from their host rock and a quantitative estimation of sulfide content on cut-rock faces was made using thermal infrared reflectance (TIR; 3.0–30μm region) spectroscopy. Core sections and rocks were collected from mines in the Sudbury basin, Ontario, Canada. The TSC% (areal percentage of total sulfide content) of each sample was then estimated by summing the modal abundance of all sulfide minerals (chalcopyrite, pyrrhotite, and pentlandite). TIR at 1319cm−1(TIR1319) is linearly related to TSC%. The average of the spectral ratios TIR995/TIR1319 and TIR1180/TIR1319(TIRratio) is related exponentially to TSC%. The coefficients of determination (R2) based on a calibration data set are 0.90 and 0.87, respectively. Two models were tested, the TIR1319 model and the TIRindex model; the latter combines TIR1319 and TIRratio. The value for R2 for predicted TSC% versus observed TSC% (from thin sections) is 0.98 and 0.97, respectively, with little or no bias. The standard deviation of the residuals is 3.1 and 3.5 TSC%, respectively. The TIR1319 model is preferred over the TIRindex model because it is linear and therefore does not have the problem with insensitivity at low TSC% that the exponential TIRratio model has. In addition, from the viewpoint of developing an instrument for automated core logging, the TIR1319 model requires measurements at only one wavelength rather than three and hence requires a less expensive instrument.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».