A review of the mineralogical and chemical composition of nanoparticles associated with coal fires
Notice bibliographique
Résumé
Abstract This review summarizes our current knowledge on the health and environmental impact as well as the mineralogical and geochemical composition of nanoparticles (NPs) associated with coal fires. It will furthermore recommend new sampling and characterization protocols to gain a better understanding of the various types of NPs that are formed either through high‐temperature nucleation and alteration processes or via low‐temperature dissolution‐reprecipitation and weathering processes. Coal fires affect the immediate environment of coal‐producing areas and produce positive and negative feedback to climate change through the emission of carbon‐ and sulfate‐bearing gases and aerosols, respectively. Nanoparticles form during and after coal fires. They are composed of mainly soot and tar particles as well as amorphous phases, minerals, and complex mixtures of amorphous phases and minerals. It is recommended that NPs for mineralogical studies should be collected using impactors (a new generation of collectors for particulate matter, such as the TPS100 NP sampler) or that borosilicate filters at the openings of pipes and chambers be used to collect and measure gases emitted by coal fires. Furthermore, assemblages of NPs occurring at the mouths of coal fire vents should be examined using a combination of focused ion beam (FIB) technology and transmission electron microscopy (TEM), and those containing ion‐ or electron‐beam sensitive phases should be examined with the corresponding cryo‐techniques, such as cryo‐FIB, cryo‐ion mill, and cryo‐TEM. The mineralogical and chemical composition of NP‐bearing bulk samples should be examined with spectroscopy techniques such as X‐ray photoelectron spectroscopy, 13 C nuclear magnetic resonance spectroscopy, or time‐of‐flight secondary ion mass spectroscopy.
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) | 0,001 | 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 ».