MétaCan
Menu
Retour à la cohorte
Enregistrement W2276071247 · doi:10.1255/jnirs.1198

Identification of Historic Artists' Pigments Using Spectral Reflectance and X-Ray Diffraction Properties I. Iron Oxide and Oxy-Hydroxide-Rich Pigments

2016· article· en· W2276071247 sur OpenAlexafffund
E. A. Cloutis, Alesha MacKay, Leif Norman, Doug Goltz

Notice bibliographique

RevueJournal of Near Infrared Spectroscopy · 2016
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueCultural Heritage Materials Analysis
Établissements canadiensUniversity of Winnipeg
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaBrown UniversityNational Aeronautics and Space Administration
Mots-clésPigmentMineralIron oxideMaterials scienceHydroxideMineralogyChemistryAnalytical Chemistry (journal)Inorganic chemistryMetallurgyEnvironmental chemistry

Résumé

récupéré en direct d'OpenAlex

The chemical and mineralogical analyses of art have important cultural, scholarly and historic applications. Investigations can be performed to learn about the history of a particular object, or to investigate techniques for conservation and restoration purposes. In this study, a suite of historic artists' pigments, synthetic samples and end members were analysed to detect specific characteristics that can be applied to their identification and differentiation from other pigments. We combined and compared reflectance spectroscopy (RS; 350–2500 nm) with X-ray diffractometry (XRD) for this purpose. We focused on pigments rich in iron oxides and oxy-hydroxides, specifically ochres, siennas, umbers and “red oxides”. It was found that these two techniques are often complementary, and have different strengths and weaknesses. XRD was found to be able to detect a wider range of accessory minerals than RS, and its strength lies in discrimination on the basis of mineral structure. It is less sensitive than RS for detection of poorly crystalline/amorphous phases and fine-grained components. RS is very sensitive to detection and discrimination of different Fe-oxy-hydroxides in the wavelength region below ∼1200 nm. At longer wavelengths (>1200 nm), reflectance spectra can detect the presence of accessory minerals that possess strong absorption features. The analytical strength of RS lies in discrimination on the basis of composition, which is usually linked to specific crystallographic structures. RS and XRD data acquired for powdered mineral pigments can be successfully integrated for the identification of sub-groups within the iron oxy-hydroxide-rich group of pigments, but require further investigation for individual sample discrimination. RS and XRD are also able to verify, disprove or refine identification of the phase(s) that make up these pigments. A major practical advantage of RS over XRD is that RS is a non-destructive, non-contact technique, whereas XRD normally requires removal of a sample from a cultural artefact. One of the main findings is that the reflectance spectra of the pigments present in the mixtures retained their diagnostic absorption features even when mixed with linseed oil. Our results show that RS can be used to discriminate various Fe oxy-hydroxide-rich pigments as well as confirm the organic nature of binders; this has important implications for restoration and conservation of cultural artefacts.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,249
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Near Infrared SpectroscopyMême sujetCultural Heritage Materials AnalysisTravaux en français237 207