Using Rare Earth Elements (REE) to Decipher the Origin of Ore Fluids Associated with Granite Intrusions
Notice bibliographique
Résumé
A practical method is presented to estimate rare earth element (REE) concentrations in a magmatic fluid phase in equilibrium with water-saturated granitic melts based on empirical fluid–melt partition coefficients of REE ( k P R E E ). The values of k P R E E can be calculated from a set of new polynomial equations linking to the Cl molality ( m C l v ) of the magmatic fluid phase associated with granitic melts, which are established via a statistical analysis of the existing experimental dataset. These equations may be applied to the entire pressure range (0.1 to 10.0 kb) within the continental crust. Also, the results indicate that light REEs (LREE) behave differently in magmatic fluids, i.e., either being fluid compatible with higher m C l v or fluid incompatible with lower m C l v values. In contrast, heavy REEs (HREE) are exclusively fluid incompatible, and partition favorably into granitic melts. Consequently, magmatic fluids tend to be rich in LREE relative to HREE, leading to REE fractionation during the evolution of magmatic hydrothermal systems. The maximum k P R E E value for each element is predicted and presented in a REE distribution diagram constrained by the threshold value of m C l v . The REE contents of the granitic melt are approximated by whole-rock analysis, so that REE concentrations in the associated magmatic fluid phase would be estimated from the value of k P R E E given chemical equilibrium. Two examples are provided, which show the use of this method as a REE tracer to fingerprint the source of ore fluids responsible for the Lake George intrusion-related Au–Sb deposit in New Brunswick (Canada), and the Bakircay Cu–Au (–Mo) porphyry systems in northern Turkey.
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) | 0,000 | 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) | 0,017 | 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 ».