温度、质量浓度对富氟流体中Hf高温高压水解行为的影响

Hf是一种高场强元素,在地壳中的丰度较低,往往以类质同象的形式进入锆石中。以氟铪酸钾(K_2HfF_6)络合物为研究对象,观察它们在富水热液中的水解程度,进而研究Hf元素在地质过程中的迁移行为。结果表明:K_2HfF_6络合物在热液条件下能发生一定程度的水解反应,总体趋势为络合物的初始质量浓度越低且反应的温度越高,其水解程度越剧烈,络合物的稳定性也就越低;获得了高温高压条件下K_2HfF_6络合物的累积水解平衡常数。同时运用实验模拟的方法,根据提取液中Hf元素含量来推测矿物结晶时富氟流体中Hf元素含量,若以K_2HfF_6络合物最高配位的离子团形迁移时,Hf与F元素之间的质量浓度比值为1.6,据此可以计算成矿流体所需的最小F元素含量。     

俯冲带主要含水矿物弹性波性质研究现状及展望

俯冲带中的含水矿物对物质循环和水迁移等有着极其重要的作用,同时也是俯冲带中的地震波速异常的主要原因．本文总结了近20年来,国内外对俯冲带三种主要含水硅酸盐矿物（蛇纹石、绿泥石和角闪石）弹性波速研究取得的重要成果：含水矿物普遍具有低波速、高各向异性的特点;压力增加波速增加,但波速各向异性降低．富含水矿物的岩石,波速各向异性随着含水矿物含量的增加而增大,同时受到含水矿物晶格择优取向（LPO）类型以及岩体中裂隙的影响．含水矿物LPO引起的地震波速各向异性特征与俯冲的角度有关,在低角度的俯冲带中会引起垂直于海沟方向的快速传播,而在高角度的俯冲带中引起平行于海沟方向的快速传播．文章最后针对目前俯冲带中含水矿物弹性波速研究中存在的问题,提出了未来需要在三个方面加强研究．     

高温高压改色处理Ⅰa型褐色钻石的光谱鉴定特征

Ⅱa型钻石的高温高压改色及褪色研究已开展了大量工作,然而对Ⅰa型Cape系列褐色钻石在高温高压处理条件下的行为尚不明确。为解析实验室钻石鉴定工作中遇到的黄色钻石颜色成因问题,本文选取了Ⅰa型Cape系列褐色钻石作为研究对象,进行高温高压改色处理实验,并对处理前后的样品的紫外可见吸收光谱、红外吸收光谱以及光致发光光谱等谱学特征进行对比分析。结果表明:经高温高压改色处理后,钻石颜色由灰褐色变为褐黄色,钻石的紫外可见吸收光谱、红外吸收光谱和光致发光光谱也发生了很大改变。经处理的褐色钻石,其紫外可见吸收光谱中除原有的415nm和477nm吸收外,还产生503.2nm吸收,同时550nm至短波的吸收增强,钻石因此由原来的灰褐色变为褐黄色;红外吸收光谱中,1498、1520、1547cm~(-1)三个峰变为一个以1498cm~(-1)为中心的吸收宽峰;光致发光光谱中,产生了明显的H3(503.2nm)以及H2(986.2nm)缺陷。本研究获得的光谱变化特征为准确鉴定高温高压改色处理的Cape型钻石提供了依据,也为更好地理解晶格中氮、氢等相关的格子缺陷在高温高压条件下的变化机理提供了实验数据和分析。     

石英高压相变研究进展

文中总结了前人有关石英高温高压相变的实验结果。根据以前的实验,在静水压条件下,石英-柯石英-斯石英-CaCl2结构超斯石英相-α-PbO2结构超斯石英相之间的相变方程分别是:p(GPa)=(2.11±0.03)+(9.8×10-4±1.2×10-4)×T(℃),p(GPa)=(8.0±0.2)+(1.1×10-3±3×10-4)×T(℃),p(GPa)=(51±2)+(0.012±0.005)×T(K),p(GPa)=98+(0.0095±0.0016)×T(K)。文中还初步探讨了非静水压状态对石英相变的影响。实验结果表明,差应力的出现降低了石英相变所需要的围压,即相变边界向低压方向偏移,在周永胜等人实验数据的基础上,笔者尝试将二维的相图扩展到三维相图以考虑差应力的影响。最后讨论了石英相变在地学研究中的作用,对比不同的观点分析了前人对超高压变质作用过程的解释,希望可以为以后解释地质资料提供较为广泛的可能性,促进我们对地球内部动力学过程的了解。     

机器学习在矿物结构搜索及性质预测方面的应用

研究矿物在高温高压下的结构及其物理、化学性质是了解地球内部物质组成及动力学演化的基础。实验观测和理论计算是目前最主要的两种方法，前者受技术的局限，高温高压下的数据点比较匮乏；后者容易实现高温高压，但计算精度和效率往往难以两全。基于上述问题，机器学习作为一种很有前景的工具，与第一性原理计算相结合，能够精确、高效地预测矿物结构及各种性质。本文首先介绍了构建机器学习势的一般流程，对目前应用广泛的深度势能方法进行详细阐述。然后探讨了机器学习方法在计算矿物物理领域中的应用，如矿物新相结构搜索、热力学性质和输运性质预测、元素配分及同位素分馏等，并分析了机器学习方法相比于传统方法的优势。最后对机器学习方法目前存在的不足进行了简单总结并对其应用前景提出展望。     

地核温压条件下铁的深度学习分子动力学模拟

铁(Fe)是地核中的主要元素，研究铁在地核温压条件下的状态方程及热力学性质对理解地核至关重要。为高效地构建出准确和稳健的势能面模型，本文使用第一性原理数据为初始数据，利用深度势能生成器对地核内温压下构型进行采样，通过深度神经网络训练出深度学习势，完成对大体系超胞的深度学习分子动力学高精度模拟。所构建的地核温压下铁的深度势能，与第一性原理计算结果相吻合。利用该势能，可实现内核温压下超过10000原子体系的高精度分子动力学模拟，计算出密堆六方(hcp)和体心立方(bcc)结构铁的密度和状态方程。本文利用深度势能方法提高了计算效率、保证了计算精度同时可利用于大规模体系、多晶体系，为更接近地球内部条件物质状态、性质的模拟打下基础。