Grain-Size Analysis of Ancient Deep-Marine Sediments Using Laser Diffraction
Notice bibliographique
Résumé
Grain-size analysis of siliciclastic sedimentary rocks provides critical information for interpreting flow dynamics and depositional environments in sedimentary systems and for analysing reservoir quality of sandstone. Methods such as sieving and thin-section analysis are time consuming and unsuited for large sample numbers. Laser diffraction particle analysis is quick and reliable for analysing 100s of samples, assuming successful disaggregation. Here, we evaluate this method utilizing samples from three siliciclastic formations in Northern Italy: the Miocene Castagnola and Marnoso-Arenacea Formations, and the Cretaceous to Palaeocene Gottero Formation, which vary in degree of lithification. We focus on: 1) methods of whole-rock disaggregation; 2) methods of subsampling sediment for laser diffraction analysis; and 3) comparison of thin-section analysis with laser-diffraction particle size analysis. Using an ultrasonic bath and a SELFRAG (high voltage selective fragmentation) as disaggregation tools, this study evaluates separation of whole, undamaged grains subsequently measured by laser diffraction analysis. We show that it is possible to disaggregate ancient, well cemented rocks using an ultrasonic bath. When disaggregating samples with the SELFRAG method, grain-size measurements become less accurate and less precise with increasing sample lithification and increased presence of cement. This is likely a combination of incomplete grain disaggregation in the SELFRAG and heterogeneity within samples. Following disaggregation, we compare sub-sampling methods using a stirrer plate versus a pipette. Both produce accurate analyses, but the stirrer method is the most reliable and replicable. A comparative small subsample method, run as one whole sample with no need for subdivision into aliquots, is found to be reliable and replicable but is more susceptible to heterogeneity within field samples. When comparing laser diffraction results to grain-size volume methods estimated from thin-section analysis, thin-section sand grains are overestimated, and clay/silt grains are inaccurate. These results provide a framework for understanding potential biases introduced through various sample preparation and measurement methods.
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 | 0,005 |
| 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) | 0,003 | 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 ».