Assessment of cleaning methods for electro-welded sieves to reduce/eliminate carry over contamination between till samples
Notice bibliographique
Résumé
The Sedimentology Lab, with the support of the Geo-mapping for Energy and Minerals (GEM) and Targeted Geoscience Initiative (TGI4) Programs, set out to verify existing sieve cleaning methods used in geological sample preparation laboratories to ensure no cross contamination between samples. Three cleaning methods were tested using till samples with varying degrees of mineralization. The purpose of this study is to determine the effectiveness of commonly used cleaning methods at preventing cross contamination while sieving. This is critical to the quality of the geochemical analysis. Cleaning Method 1, while the quickest, does not remove contamination effectively for the two deposits sampled for this study. The addition of an extra step in Method 2 lowered the level of the potential contaminants without significant time increase. If known high mineralization exists, cleaning Method 3 is recommended otherwise Method 2 should be sufficient. In addition to sample preparation it would be a good practice, when submitting samples to be processed for geochemical analysis, to provide a processing order to the laboratory if they are aware of any potentially metal-rich samples. Metal-rich samples should be positioned at the end of the list to avoid any possible contamination due to sample preparation or analytical memory effect. Clean silica blanks should be inserted at the start of the batch and sieved blanks should be inserted to verify possible contamination in the preparation lab. The insertion of control reference materials (CRMs) and duplicates are also recommended for quality control.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 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 ».