Recommendations for offline combustion‐based nitrogen isotopic analysis of silicate minerals and rocks
Notice bibliographique
Résumé
Rationale Due to isotope fractionations during partial nitrogen release from minerals and rocks, the complete extraction of nitrogen for analysis is crucial to ensure high‐quality nitrogen isotopic data. However, the appropriate nitrogen extraction conditions (e.g. temperature, duration) have not been established for most silicate minerals and rocks. Methods Nitrogen in a number of common minerals and rocks was extracted using the most robust sealed‐tube offline combustion techniques, purified and quantified in a custom‐made metal manifold, and carried by helium gas to an isotope ratio mass spectrometer for isotopic measurement at nanomolar nitrogen level. Each mineral or rock was combusted in a variety of temperature and duration conditions to compare the nitrogen yields and isotopic compositions. Results The nitrogen yields and isotopic compositions of minerals and rocks are strongly affected by combustion temperature and duration. The optimal combustion temperature is lowest for cyclosilicate minerals, followed by phyllosilicate, tectosilicate and inosilicate minerals. Preheating of samples can induce significant nitrogen loss and δ 15 N shift. Heating of samples above their optimal temperatures may cause nitrogen re‐assimilation by the residual mineral or rock. Conclusions Each mineral or rock has a characteristic optimal temperature and duration for complete nitrogen release. Preheating, under‐heating or over‐heating can cause nitrogen loss and isotopic shift. Therefore, we recommend using the offline combustion techniques and the optimal combustion conditions obtained in this study for nitrogen quantification and isotopic analysis of silicate minerals and rocks.
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 | 0,002 |
| 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) | 0,001 | 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 ».