An SWIR-MIR Spectral Database of Organic Coatings Used on Historic Metals
Notice bibliographique
Résumé
Surface organic coatings (SOCs) composed of drying oils, resins, and bitumen were commonly applied to small Renaissance bronze sculptures to enhance their visual and physical properties, producing dark, lustrous surfaces that were both esthetic and protective. Yet, the identification of these coatings remains challenging due to aging, conservation interventions, and the damage caused by physical sampling. This study presents a reproducible, non-destructive protocol for characterizing SOCs on metal substrates using external reflection Fourier transform infrared spectroscopy (ER-FTIR) and fiber optic reflectance spectroscopy (FORS). Twenty-seven reference coating mock-ups of linseed oil, walnut oil, mastic resin, pine resin, and bitumen were stoved onto bronze coupons and artificially aged. Spectra were analyzed across the visible/near-infrared (VIS-NIR) (~400–1000 nm), short-wave-infrared (SWIR) (~1000–2500 nm), and mid-infrared (MIR) (~2.5–25 µm) ranges, with key diagnostic features identified for each component and blend, including primary absorptions, combination bands, and overtones. ER-FTIR proved highly effective in detecting oil–resin mixtures and later wax coatings through characteristic bands in the MIR, while FORS, enhanced by first-derivative processing, successfully differentiated triterpenoid and diterpenoid resins and identified multi-component SOCs in the SWIR region. The reference spectral database generated in this study is intended to serve as a comparative tool for future non-invasive analysis of organic coatings on metal surfaces and to demonstrate that ER-FTIR and FORS, used in tandem, offer a practical and scalable framework for the non-destructive identification of SOCs.
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 | 0,000 |
| 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) | 0,005 | 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 ».