Ultrafast, > 50 Hz <scp>LA</scp>‐<scp>ICP</scp>‐<scp>MS</scp> Spot Analysis Applied to U–Pb Dating of Zircon and other U‐Bearing Minerals
Notice bibliographique
Résumé
LA ‐ ICP ‐ MS U–Pb detrital zircon studies typically analyse 50–200 grains per sample, with the consequent risk that minor but geologically important age components (e.g., the youngest detrital zircon population) are not detected, and higher abundance age components are misrepresented, rendering quantitative comparisons between samples impossible. This study undertook rapid U–Pb LA ‐ ICP ‐ MS analyses (8 s per 18–47 μm diameter spot including baseline and ablation) of zircon, apatite, rutile and titanite using an aerosol rapid introduction system ( ARIS ). As the ARIS resolves individual single pulses at fast sampling rates, spot analyses require a high repetition rate (> 50 Hz) so the signal does not return to baseline and mass sweep times (> 80 ms) that span several laser pulses (i.e., major undersampling of the signal). All rapid U–Pb spot analyses employed 250–300 pulses, repetition rates of 53–65 Hz (total ablation times of 4.1–5.7 s) and low fluence (1.75–2.5 J cm −2 ), resulting in pit depths of ca . 15 μm. Zircon, apatite, rutile and titanite reference material data yield an accuracy and precision (2 s ) of < 1% for pre‐Cenozoic reference materials and < 2% for younger reference materials. We present a detrital zircon data set from a Neoproterozoic tillite where > 1000 grains were analysed in < 3 h with a precision and accuracy comparable to conventional LA ‐ ICP ‐ MS analytical protocols, demonstrating the rapid acquisition of huge detrital data sets.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».