Technical Note: Evaluation of between-sample memory effects in the analysis of δ <sup>2</sup> H and δ <sup>18</sup> O of water samples measured by laser spectroscopes
Notice bibliographique
Résumé
Abstract. This study evaluated between-sample memory in isotopic measurements of δ2H and δ18O in water samples by laser spectroscopy. Ten isotopically depleted water samples spanning a broad range of oxygen and hydrogen isotopic compositions were measured by three generations of off-axis integrated cavity output spectroscopy and cavity ring-down spectroscopy instruments. The analysis procedure encompassed small (less than 2‰ for δ2H and 1‰ for δ18O) and large (up to 201‰ for δ2H and 25‰ for δ18O) differences in isotopic compositions between adjacent sample vials. Samples were injected 18 times each, and the between-sample memory effect was quantified for each analysis run. Results showed that samples adversely affected by between-sample isotopic differences stabilised after seven–eight injections. The between-sample memory effect ranged from 14% and 9% for δ2H and δ18O measurements, respectively, but declined to negligible carryover (between 0.1% and 0.3% for both isotopes) when the first ten injections of each sample were discarded. The measurement variability (range and standard deviation) was strongly dependent on the isotopic difference between adjacent vials. Standard deviations were up to 7.5‰ for δ2H and 0.54‰ for δ18O when all injections were retained in the computation of the reportable δ-value, but a significant increase in measurement precision (standard deviation in the range 0.1‰–1.0‰ for δ2H and 0.05‰–0.17‰ for δ18O) was obtained when the first eight injections were discarded. In conclusion, this study provided a practical solution to mitigate between-sample memory effects in the isotopic analysis of water samples by laser spectroscopy.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».