How greisenization could trigger the formation of large vein-and-greisen Sn-W deposits: A numerical investigation applied to the Panasqueira deposit
Notice bibliographique
Résumé
The formation of large tin-tungsten (Sn-W) deposits around granitic intrusions requires the circulation of large volumes of fluids within permeable structures. Half of the world’s tungsten production originates from highly mineralized veins above granitic intrusions and from the altered part of the granite (the greisen), whose formation results from intense fluid-rock interactions. During greisenization processes, mineral reactions involve a decrease in the rock volume and thus an increase in porosity and permeability. To understand the complex fluid-rock interactions leading to the formation of large Sn-W ore deposits, we conducted numerical modeling accounting for magmatic fluid production and realistic permeability changes due to granite alteration and overpressure in the hosting rocks. The water/rock ratio is computed to constrain the rate of greisenization and therefore the porosity and permeability evolution laws. Four model results are presented: with and without fluid production exsolved from the granitic magma, and with and without dynamic reaction-enhanced permeability. The formation of greisen is reproduced, and greisen thickness reaches 200 m for the more sophisticated model. The interplay between greisenization and fluid production creates zones of overpressure above the granite that could localize the permeable structures such as the veins swarm observed at Panasqueira. Dynamic permeability promotes high fluid velocity and intense fluid-rock exchanges that could result in the formation of large ore deposits by enhancing mass transfer within and above granitic intrusions.
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 | 0,001 |
| 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) | 0,000 | 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 ».