Eine Studie zur potenziellen schnellen Unterscheidung von rauchlosem Schießpulver mittels Nahinfrarotspektroskopie und chemometrischer Modellierung für forensische Anwendungen

Warum diese Studie für die öffentliche Sicherheit wichtig ist

Rauchloses Schießpulver ist der Treibstoff in den meisten Patronen und tritt auch in selbstgebauten Schusswaffen und improvisierten Sprengsätzen auf. Wenn Ermittler lose Pulver an einem Tatort finden, kann die Feststellung, aus welcher Fabrik es stammt, helfen, Fälle zu verknüpfen, Transportwege nachzuverfolgen und Verdächtige ein- oder auszuschließen. Diese Studie untersucht einen schnelleren, saubereren Weg, ähnlich aussehende Pulver zu unterscheiden, indem unsichtbares Licht und Mustererkennung durch Computer statt langsamer chemischer Laboranalysen verwendet werden.

Genauer Blick auf ähnlich aussehende Pulver

Für das ungeübte Auge wirken viele rauchlose Pulver nahezu identisch: kleine Körner oder Flocken, die sich nur geringfügig in Farbe, Größe oder Form unterscheiden. Ihre Rezepturen variieren jedoch von Hersteller zu Hersteller und zwischen verschiedenen Patronentypen. Die Forscher sammelten Pulver aus 79 Patronen von 20 Herstellern in China und deckten damit ein breites Spektrum an Pistolen-, Gewehr- und Nagelkanonenmunition ab. Statt die Proben zu lösen oder zu verbrennen, entnahmen sie das Pulver schonend aus jeder Patrone und ließen es vor den Messungen bei Raumtemperatur ruhen, um das Material für mögliche spätere Analysen intakt zu halten.

Verborgene Fingerabdrücke im Nahinfrarotlicht lesen

Das Team analysierte die Pulver mittels Nahinfrarotspektroskopie, einer Methode, die Licht knapp jenseits des roten Endes des sichtbaren Spektrums aussendet und misst, wie viel bei verschiedenen Wellenlängen absorbiert wird. Diese Art von Licht wechselwirkt mit schnellen Schwingungen chemischer Bindungen und erzeugt breite, überlappende Merkmale statt scharfer Linien. Bei diesen rauchlosen Pulvern stammen die Hauptsignale von nitrozellulosebasierten und verwandten Verbindungen, die sich als breite Peaks zeigten, die mit Sauerstoff‑Wasserstoff‑ und Kohlenstoff‑Wasserstoff‑Schwingungen zusammenhängen. Auf den ersten Blick wirkten die Spektren verschiedener Hersteller sehr ähnlich und wiesen nur subtile Unterschiede auf, was darauf hindeutet, dass eine einfache visuelle Vergleichsanalyse nicht ausreichen würde, um sie zuverlässig zu trennen.

Warum traditionelle Statistik nicht genügte

Um die Schwierigkeit der Aufgabe zu verstehen, untersuchten die Forscher die Gesamtverteilung ihrer Daten. Die meisten Pulver absorbierten Licht in einem engen Bereich, und Ähnlichkeitswerte zwischen Herstellern waren oft sehr hoch. Nur wenige Hersteller zeigten klar unterschiedliche Muster. Außerdem gab es eine starke Ungleichheit in der Stichprobengröße: Manche Hersteller lieferten viele Patronen, andere nur wenige. Als das Team gängige Werkzeuge wie einfache deskriptive Statistik und eine Methode namens UMAP anwendete, die komplexe Daten auf eine zweidimensionale Karte komprimiert, überlappten sich die Cluster vieler Hersteller. Standard-ML‑Modelle, die auf einfachen Trennungen in diesem komprimierten Raum basieren, hatten Schwierigkeiten, die Pulver zu differenzieren, und erreichten weniger als 60 Prozent Genauigkeit.

Ein neuronales Netzwerk subtile Muster finden lassen

Um diese verborgenen Unterschiede zu erfassen, wandten sich die Autoren einem Deep‑Learning‑Neuronalen Netzwerk zu, einer Art Computermodell, das geschichtete Muster in großen Zahlenmengen lernen kann. Sie speisten die rohen Nahinfrarotspektren in das Netzwerk und trainierten es darauf, den jeweiligen Hersteller jeder Probe vorherzusagen. Architektur und Hyperparameter des Modells wurden durch systematische Suche optimiert, und die Daten wurden mit Kreuzvalidierung in Trainings‑ und Validierungssets aufgeteilt, um Overfitting zu begrenzen. In direkten Vergleichen übertraf das neuronale Netzwerk vier gängige Algorithmen sowie klassische chemometrische Methoden und steigerte die mittlere Vorhersagegenauigkeit über die 20 Hersteller hinweg auf über 80 Prozent.

Verstehen, worauf das Modell tatsächlich reagiert

Da Black‑Box‑Modelle in forensischen Kontexten schwer zu vertrauen sein können, untersuchten die Forscher, welche Teile der Spektren die Entscheidungen des neuronalen Netzwerks am stärksten beeinflussten. Mit einem Werkzeug namens SHAP stellten sie fest, dass bestimmte Nahinfrarot‑Bänder, insbesondere in den Bereichen um 6700–7100 und 5700–6000 cm⁻¹, das größte Gewicht trugen. Diese Bereiche entsprechen bekannten Schwingungsmerkmalen wichtiger chemischer Gruppen in den Pulvern. Diese Übereinstimmung legt nahe, dass das Modell sich nicht auf zufälliges Rauschen stützte, sondern auf chemisch sinnvolle Unterschiede zwischen Formulierungen, die mit bloßem Auge zu subtil sind, um sie zu erkennen.

Was das für zukünftige kriminaltechnische Labore bedeutet

Die Studie zeigt, dass Nahinfrarotspektroskopie in Kombination mit modernem Deep Learning rauchlose Pulver nach Herkunft schnell und mit deutlich höherer Genauigkeit als mehrere traditionelle Ansätze sortieren kann, ohne Beweismaterial zu zerstören oder zusätzliche Chemikalien einzusetzen. Die Autoren warnen, dass ihre Tests sich auf intaktes Pulver aus Patronen und auf einen Datensatz mit gewissen Ungleichgewichten konzentrierten, sodass weitere Arbeiten an abgefeuerten Rückständen, größeren Sammlungen und verbesserter Datenverarbeitung notwendig sind. Dennoch deuten ihre Ergebnisse auf ein praktisches Screening‑Werkzeug hin, das forensischen Wissenschaftlern helfen könnte, die mögliche Herkunft eines verdächtigen Pulvers schnell einzugrenzen, während detailliertere und langsamere Laborverfahren die abschließende Bestätigung übernehmen.

Zitation: Guo, H., Shi, H., Feng, Y. et al. A study for potential rapid discrimination of smokeless powders by near-infrared spectroscopy and chemometric modeling methods for forensic application. Sci Rep 16, 15981 (2026). https://doi.org/10.1038/s41598-026-45433-0

Schlüsselwörter: rauchloses Schießpulver, forensische Analyse, Nahe Infrarot Spektroskopie, neuronales Netzwerk, Munition