Generating High Mg-numbers and Chemical Diversity in Tonalite-Trondhjemite-Granodiorite (TTG) Magmas during Melting and Melt Segregation in the Continental Crust
Notice bibliographique
Résumé
Major, trace, and rare earth element compositions of both tonalite–trondhjemite–granodiorite (TTG) and modern adakite-like magmas are typically used in conjunction with batch melting experiments and models to infer source rock composition, depth of melting and tectonic setting. However, batch melting does not capture the impact of melt segregation processes on magma geochemistry. We have used melting experiments in conjunction with numerical modelling to investigate the impact of melt segregation on TTG arc crust formation. Our melt segregation equilibrium (MSE) experiments are designed to reproduce the local changes in bulk composition that are predicted by the numerical model to occur as buoyant melt migrates upwards along grain boundaries and accumulates to form a magma that leaves the source region. The MSE experimental results show distinct differences in the melt and solid phase compositions and solid phase stability when compared with direct partial melting experiments. They yield a significant reduction in hornblende and plagioclase modal proportions at lower temperatures and partial melt compositions that are lower in An and have higher Mg-numbers. These results suggest that dynamic melt segregation and equilibrium processes may have a significant impact on modes, melt compositions and geochemical indicators such as Mg-numbers. Mantle wedge interaction may not be necessary to generate varying Mg-numbers in TTG and adakite magmas. Moreover, the use of batch melting models or experiments to interpret these geochemical signatures may not be appropriate.
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 | 0,001 | 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 ».