Faulting and off‐axis submarine massive sulfide accumulation at slow spreading mid‐ocean ridges: A numerical modeling perspective
Notice bibliographique
Résumé
Abstract The potential of mining seafloor massive sulfide deposits for metals such as Cu, Zn, and Au is currently debated. One key challenge is to predict where the largest deposits worth mining might form, which in turn requires understanding the pattern of subseafloor hydrothermal mass and energy transport. Numerical models of heat and fluid flow are applied to illustrate the important role of fault zone properties (permeability and width) in controlling mass accumulation at hydrothermal vents at slow spreading ridges. We combine modeled mass‐flow rates, vent temperatures, and vent field dimensions with the known fluid chemistry at the fault‐controlled Logatchev 1 hydrothermal field of the Mid‐Atlantic Ridge. We predict that the 135 kilotons of SMS at this site (estimated by other studies) can have accumulated with a minimum depositional efficiency of 5% in the known duration of hydrothermal venting (58,200 year age of the deposit). In general, the most productive faults must provide an efficient fluid pathway while at the same time limit cooling due to mixing with entrained cold seawater. This balance is best met by faults that are just wide and permeable enough to control a hydrothermal plume rising through the oceanic crust. Model runs with increased basal heat input, mimicking a heat flow contribution from along‐axis, lead to higher mass fluxes and vent temperatures, capable of significantly higher SMS accumulation rates. Nonsteady state conditions, such as the influence of a cooling magmatic intrusion beneath the fault zone, also can temporarily increase the mass flux while sustaining high vent temperatures.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».