吴忠庆教授课题组三名学生获得中国地球科学联合学术年会（CGU）学生优秀论文奖
近日，在珠海召开的地球科学联合会上，张培震院士宣读了2022年中国地球科学联合学术年会学生优秀论文奖。吴忠庆教授课题组三名博士研究生邓忻、宋建和王冬同学分别在各自专题做了精彩的口头报告，获得了专题评委老师的认可，被评为学生优秀论文。
博士生邓忻在“地幔和地核: 结构、动力过程、物质组成及和浅部的相互作用”专题做了题为《基于层析成像与矿物弹性反演下地幔三维物质成分与温度结构》的报告。该研究利用计算得到的下地幔主要矿物高温高压弹性数据，结合下地幔三维层析成像模型，采用马尔科夫链蒙特卡洛方法反演得到了整个下地幔的三维矿物成分与温度分布（图1），并进一步得到下地幔三维密度模型。反演结果表明，下地幔的横向温度分布满足高斯分布，但在下地幔最底部，由于LLSVPs的存在，横向温度分布不再满足高斯分布。进一步分析发现，下地幔上部的波速异常主要源于热异常，而最底部地幔中的波速异常则主要源于化学成分的变化。与周围地幔相比，LLSVPs在下地幔底部密度更高，在~2700公里以上密度更低。此外，LLSVPs相比周围地幔温度更高，更加富集铁和布里奇曼石，这支持了LLSVPs可能源自地球早期形成的基底岩浆洋的假说[1]。
图1.不同深度下矿物成分、铁含量以及温度的空间分布。
博士生宋建在“高压实验矿物学、岩石学与地球化学”专题做了题为《无水相B在高温高压下的弹性性质及其地学意义》的报告。该研究利用了第一性原理计算获得了无水相B在高温高压下的弹性性质，发现无水相B展示出了较弱的各向异性，因此对于上地幔的各向异性贡献有限。另一方面，橄榄石和MgO反应生成无水相B会造成可观的地震学信号：~10%的P波阻抗差和~13%的S波阻抗差。只要有3~12 vol%的MgO参与反应，生成15~60 vol%的无水相B，便可造成地震学可测的X不连续面 (图2)。由于该反应比柯石英-斯石英相变和斜方辉石相变发生在更深处[2]，因此无水相B的形成能够更好地解释俯冲区域附近较深的X不连续面。
图2. (a) 无水相B的形成造成的地震学跳变与无水相B含量的关系。阴影区域为X不连续面的波阻抗跳变范围。(b) X不连续面的三种可能机制各自的相界。阴影区域为X不连续面的深度范围。
博士生王冬在“深地过程与地球宜居性”专题做了题为《基于机器学习计算含水瓦兹利石的热导率》的报告。该研究基于第一性原理数据训练了含水瓦兹利石的机器学习模型，并结合非平衡分子动力学模拟获得了高温高压下无水以及含水瓦兹利石的热导率，无水瓦兹利石的计算结果与现有实验十分吻合。研究发现水的存在有效地降低了瓦兹利石的热导率 (图3)，并且由于橄榄石和瓦兹利石的热导各向异性和晶格优选定向，热流可能沿着具有较低热导率的方向流向板片。通过对板片温度结构的分析，发现水的存在和热导各向异性有效地降低了板片的温度，使得其中含水矿物以及亚稳态矿物的稳定深度增加，这提高了板片输运水的能力以及深源地震的最大发震深度[3]。
图3. (a) 不同水含量的瓦兹利石热导率随温度的变化。(b) 水的存在以及热导各向异性造成俯冲板片核心温度降低。
相关论文：
[1] Deng, X., Xu, Y., Hao, S., Ruan, Y., Zhao, Y., Wang, W., et al. (2023). Compositional and thermal state of the lower mantle from joint 3D inversion with seismic tomography and mineral elasticity. Proceedings of the National Academy of Sciences, 120(26), e2220178120. https://doi.org/10.1073/pnas.2220178120
[2] Song, J., Qian, W., Hao, S., Wang, W., Sun, D., & Wu, Z. (2023). Elasticity of high-pressure clinoenstatite under mantle conditions: Implications for the origin of the X-discontinuity. Science China Earth Sciences, 66(4), 718-729. https://doi.org/10.1007/s11430-022-1024-5
[3] Wang, D., Wu, Z., & Deng, X. (2022). Thermal Conductivity of Hydrous Wadsleyite Determined by Non-Equilibrium Molecular Dynamics Based on Machine Learning. Geophysical Research Letters, 49(22), e2022GL100337. https://doi.org/10.1029/2022GL100337