Analysis of Lunar Boulder Tracks: Implications for Trafficability of Pyroclastic Deposits
Notice bibliographique
Résumé
Abstract In a new era of lunar exploration, pyroclastic deposits have been identified as valuable targets for resource utilization and scientific inquiry. Little is understood about the geomechanical properties and the trafficability of the surface material in these areas, which is essential for successful mission planning and execution. Past incidents with rovers highlight the importance of reliable information about surface properties for future, particularly robotic, lunar mission concepts. Characteristics of 149 boulder tracks are measured in Lunar Reconnaissance Orbiter Narrow Angle Camera images and used to derive the bearing capacity of pyroclastic deposits and, for comparison, mare and highland regions from the surface down to ~5‐m depth, as a measure of trafficability. Results are compared and complemented with bearing capacity values calculated from physical property data collected in situ during Apollo, Surveyor, and Lunokhod missions. Qualitative observations of tracks show no region‐dependent differences, further suggesting similar geomechanical properties in the regions. Generally, bearing capacity increases with depth and decreases with higher slope gradients, independent of the type of region. At depths of 0.19 to 5 m, pyroclastic materials have bearing capacities equal or higher than those of mare and highland material and, thus, may be equally trafficable at surface level. Calculated bearing capacities based on orbital observations are consistent with values derived using in situ data. Bearing capacity values are used to estimate wheel sinkage of rover concepts in pyroclastic deposits. This study's findings can be used in the context of traverse planning, rover design, and in situ extraction of lunar resources.
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 | 0,001 |
| 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 ».