Un estudio sobre la posible discriminación rápida de pólvoras sin humo mediante espectroscopía en el infrarrojo cercano y métodos de modelado quimiométrico para aplicación forense

Por qué este estudio importa para la seguridad pública

La pólvora sin humo es el combustible dentro de la mayoría de los proyectiles y también aparece en armas caseras y en artefactos improvisados. Cuando los investigadores encuentran pólvora suelta en una escena del crimen, poder identificar de qué fábrica procede puede ayudar a vincular casos, trazar rutas de suministro y excluir o implicar sospechosos. Este estudio explora una forma más rápida y limpia de diferenciar pólvoras de aspecto similar, usando luz invisible y reconocimiento de patrones por ordenador en lugar de trabajos químicos de laboratorio lentos.

Observando de cerca pólvoras que parecen iguales

Para un observador casual, muchas pólvoras sin humo parecen casi idénticas: pequeños granos o escamas que difieren solo levemente en color, tamaño o forma. Sin embargo, sus recetas varían según el fabricante y el tipo de cartucho. Los investigadores recolectaron pólvoras de 79 cartuchos producidos por 20 fabricantes en China, abarcando una amplia mezcla de munición para pistola, rifle y pistolas de clavos. En lugar de disolver o quemar las muestras, retiraron con suavidad la pólvora de cada cartucho y la dejaron estabilizarse a temperatura ambiente antes de las pruebas, manteniendo el material intacto para posibles usos posteriores.

Leyendo huellas ocultas con luz en el infrarrojo cercano

El equipo analizó las pólvoras con espectroscopía en el infrarrojo cercano, un método que ilumina justo más allá del extremo rojo del espectro visible y registra cuánto se absorbe en distintas longitudes de onda. Este tipo de luz interactúa con vibraciones rápidas en enlaces químicos, produciendo características amplias y solapadas en lugar de líneas nítidas. En estas pólvoras sin humo, las señales principales procedían de ingredientes basados en nitrocelulosa y compuestos relacionados, que se manifestaron como picos amplios vinculados a vibraciones oxígeno–hidrógeno y carbono–hidrógeno. A primera vista, los espectros de distintos fabricantes parecían muy similares y solo mostraban diferencias sutiles, lo que sugiere que una comparación visual simple no sería suficiente para diferenciarlos de forma fiable.

Por qué las estadísticas tradicionales no bastaron

Para entender cuán desafiante era la tarea, los investigadores examinaron la dispersión global de sus datos. La mayoría de las pólvoras absorbían luz dentro de un rango estrecho, y las puntuaciones de similitud entre fabricantes eran a menudo muy altas. Solo unos pocos fabricantes mostraron patrones claramente distintos. También se enfrentaron a un fuerte desequilibrio en el número de muestras: algunos fabricantes aportaron muchos cartuchos, mientras que otros estaban representados por solo unos pocos. Cuando el equipo usó herramientas comunes como estadísticas descriptivas básicas y un método llamado UMAP, que comprime datos complejos en un mapa bidimensional, los agrupamientos de muchos fabricantes se solaparon. Los modelos de aprendizaje automático estándar que dependen de fronteras simples en ese espacio comprimido tuvieron dificultades para separar las pólvoras y alcanzaron menos del 60 por ciento de precisión.

Dejando que una red neuronal encuentre patrones sutiles

Para abordar esas diferencias ocultas, los autores recurrieron a una red neuronal de aprendizaje profundo, un tipo de modelo informático que puede aprender patrones estratificados en grandes conjuntos de números. Alimentaron las señales crudas del espectro en el infrarrojo cercano a esta red y la entrenaron para predecir qué fabricante había producido cada pólvora. La arquitectura del modelo y sus parámetros se ajustaron mediante búsquedas sistemáticas, y los datos se dividieron en conjuntos de entrenamiento y validación con comprobaciones cruzadas para limitar el sobreajuste. En comparaciones directas, la red neuronal superó a cuatro algoritmos comunes, así como a métodos quimiométricos más clásicos, elevando la precisión media de predicción por encima del 80 por ciento entre los 20 fabricantes.

Comprendiendo qué está usando realmente el modelo

Dado que los modelos de caja negra pueden ser difíciles de confiar en contextos forenses, el equipo examinó qué partes de los espectros influían más en las decisiones de la red neuronal. Usando una herramienta llamada SHAP, encontraron que bandas específicas en el infrarrojo cercano, especialmente en los rangos alrededor de 6700 a 7100 y 5700 a 6000 centímetros inversos, aportaban mayor peso. Estas regiones coinciden con características vibratorias conocidas de grupos químicos clave en las pólvoras. Esta concordancia sugiere que el modelo no estaba aprovechando ruido aleatorio, sino que se basaba en diferencias químicamente significativas entre formulaciones que son demasiado sutiles para apreciarse a simple vista.

Qué implica esto para los futuros laboratorios criminalísticos

El estudio muestra que la espectroscopía en el infrarrojo cercano, combinada con aprendizaje profundo moderno, puede clasificar rápidamente las pólvoras sin humo por su origen con mucha mayor precisión que varios enfoques tradicionales, y sin destruir la evidencia ni emplear reactivos adicionales. Los autores advierten que sus pruebas se centraron en pólvora intacta procedente de cartuchos y en un conjunto de datos con ciertos desequilibrios, por lo que se necesita trabajo adicional sobre residuos de disparo, colecciones más grandes y un mejor manejo de datos. Aun así, sus resultados apuntan hacia una herramienta de cribado práctica que podría ayudar a los científicos forenses a acotar rápidamente el origen probable de una pólvora sospechosa, mientras que métodos de laboratorio más lentos y detallados se encargan de la confirmación final.

Cita: 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

Palabras clave: pólvora sin humo, análisis forense, espectroscopía en el infrarrojo cercano, red neuronal, munición