Iron meteorite bulk densities determined via 3‐D laser imaging
Notice bibliographique
Résumé
Abstract This study tested the feasibility of using 3‐D laser imaging to measure the bulk density of iron meteorites. 3‐D laser imaging is a technique in which a 3‐D model of an object is built after aligning and merging individual detailed images of its surface. Assuming that the mass of the object is known, the volume of the model is calculated by software and an estimate of bulk density can be obtained by dividing mass by volume. The 3‐D laser imaging technique was used to determine the density of 46 fragments from 11 different iron meteorites. The technique proved to be robust and was applied successfully to study samples ranging close to four orders of magnitude in mass (8 g to 156 kg) and exhibiting a variety of surface textures (e.g., cracks, regmaglypts), reflectivities (e.g., polished surfaces, fusion crust, rust), and morphologies (e.g., sharp angular edges, shrapnel tendrils). Three metrics were considered to estimate the error associated with density measurements: the range accuracy of the laser camera, image alignment error, and inter‐operator variability during model building. Inter‐operator variability was the largest source of error and was highest when assembling models of samples which either lacked distinctive features or were very complex in shape. Excluding two anomalous Zagora samples where silicate inclusions might have lowered density, the densities measured using 3‐D laser imaging ranged from 6.98 to 7.93 g cm −3 , consistent with previous studies. There is overlap between bulk density and iron meteorite class, and therefore bulk density cannot be used in isolation as a classification criterion. It is a good indicator, however, of weathering effects and of the potential presence of low‐density inclusions.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».