Classificatie van oud Chinees glas op basis van samenstellingsgegevens en machine learning

Waarom oud glas nog steeds nieuwe verhalen te vertellen heeft

Oude Chinese glaskralen en -vaten lijken misschien op schatten uit Egypte of het Midden‑Oosten, maar chemisch gezien zijn ze vaak heel anders. Door eeuwenlang begraven te zijn in de grond en blootstelling aan vocht veranderen ook hun oppervlakken, waardoor het moeilijk is voor conservatoren om te bepalen waar een object is gemaakt of hoe. Deze studie laat zien hoe moderne statistiek en machine learning de verborgen chemische “vingerafdrukken” van verweerd glas kunnen lezen, en zo musea een snellere en objectievere manier geven om artefacten te classificeren en de technologiegeschiedenis langs de Zijderoute te traceren.

Glas langs de Zijderoute

Vroege glasobjecten bereikten China via de Zijderoute, voornamelijk als geïmporteerde kralen. Ambachtslieden leerden later lokaal glas te maken met eigen grondstoffen. Daardoor kon Chinees glas buitenlandse stijlen qua kleur en decoratie imiteren, terwijl het een eigen receptuur had. Twee brede types deden zich voor: hoog‑kaliumglas, gemaakt met plantenas rijk aan kalium, en lood‑bariumglas, vervaardigd met ertsen die lood en barium bevatten. Deze verschillen zijn belangrijk omdat ze veranderingen in grondstoffen, handel en techniek weerspiegelen. Toch vervagen deze signalen door eeuwen van verwering, zodat experts traditioneel moeten steunen op wat ze onder de microscoop zien—kleur, patroon en mate van oppervlaktaantasting—gecombineerd met persoonlijke ervaring, een tijdrovende en subjectieve werkwijze.

Glasrecepten omzetten in bruikbare gegevens

De auteurs vertrokken van een echte competitieset met gegevens over oud Chinees glas, die voor elk object het type, de kleur, het decoratieve motief, de mate van verwering en gedetailleerde chemische samenstelling bevatte. Omdat glaschemie van nature in percentages wordt gemeten die samen een geheel vormen, paste het team een wiskundige stap toe, de gecentreerde log‑ratio‑transformatie. Dit zet de oxidepercentages om in getallen die veilig geanalyseerd kunnen worden zonder misleidende correlaties te veroorzaken. Ze schonen de data, vulden een paar missende waarden op gecontroleerde wijze aan en controleerden dat de getransformeerde metingen zich statistisch gedroegen als normale klokverdelinggegevens—een essentiële voorwaarde voor veel moderne analysetools.

Hoe verwering glas hervormt

Vervolgens vroegen de onderzoekers welke zichtbare kenmerken echt verband houden met verwering. Met chi‑kwadraat‑ en Fisher’s exact‑toetsen op 56 artefacten vonden ze een duidelijk verband tussen glastype en de mate van oppervlaktaantasting, maar geen betekenisvolle koppeling met kleur of decoratief motief. Hoog‑kalium‑ en lood‑bariumglazen verouderen anders vanwege hun verschillende interne structuren, niet vanwege hun uiterlijk. Door chemische metingen te vergelijken die vóór en na verwering op verschillende delen van dezelfde voorwerpen waren gedaan, en door vele monsters in vijf categorieën te groeperen (zoals “voor‑verwering lood‑barium” of “ernstige‑verwering lood‑barium”), toonden ze aan dat sleutelcomponenten zoals silica en bepaalde metaaloxiden systematisch verschuiven naarmate glas degrereert. Uit deze groepsverschillen bouwden ze eenvoudige op verhoudingen gebaseerde correctiefactoren die de oorspronkelijke samenstelling van een glas kunnen schatten op basis van het gewijzigde oppervlak, althans voor veel van de belangrijkste bestanddelen.

Algoritmen leren glasfamilies herkennen

Met gecorrigeerde samenstellingen trainde het team verschillende machine learning‑modellen—beslissingsbomen, logistische regressie, support vector machines en random forests—om monsters in de twee hoofdgroepen te verdelen: hoog‑kalium en lood‑barium. Opmerkelijk genoeg was één enkel bestanddeel, loodoxide (PbO), voldoende voor een beslissingsboom om de twee met perfecte nauwkeurigheid te scheiden in hun dataset: weinig lood betekende hoog‑kaliumglas, veel lood betekende lood‑bariumglas. Andere modellen bereikten vergelijkbaar hoge prestaties en bleven betrouwbaar zelfs toen de onderzoekers kunstmatige „ruis” toevoegden om meetonzekerheid na te bootsen. Vervolgens gingen ze een stap verder door clusteringmethoden te gebruiken om natuurlijke subgroepen binnen elke hoofdfamilie te ontdekken. Hoog‑kaliumglas splitste in twee subtypes—één rijker aan calcium en koper, een ander rijker aan barium en lood—terwijl lood‑bariumglas zich verdeelde in drie patronen die verschillende ondersteunende ingrediënten benadrukten zoals magnesium, natrium of koper en barium. Deze fijnmazige groepen duiden op onderscheiden recepturen en werkplaatsen.

Wat dit betekent voor musea en de geschiedenis

Voor niet‑specialisten is de kernboodschap dat oud glas nu minder door het oog en meer door data kan worden geclassificeerd. Door nauwkeurige chemische meting te combineren met passende statistische behandeling van percentagegegevens en robuuste machine learning, biedt deze studie conservatoren en archeologen een reproduceerbare manier om verweerde glasobjecten te identificeren en te koppelen aan specifieke ambachtstradities. Na verloop van tijd kan het toepassen van zulke methoden op grotere collecties helpen handelsroutes in kaart te brengen, productielocaties te pinpointen en te volgen hoe Chinese glasmakers experimenteerden met nieuwe fluxen zoals lood en plantenas. Kort gezegd: algoritmen getraind op chemie worden krachtige nieuwe hulpmiddelen om het verhaal te vertellen van hoe een ogenschijnlijk eenvoudig materiaal, glas, culturen over continenten verbond.

Bronvermelding: Tang, P., Gan, X. & Tang, J. Ancient chinese glass heritage classification based on compositional data and machine learning. npj Herit. Sci. 14, 125 (2026). https://doi.org/10.1038/s40494-026-02370-5

Trefwoorden: oud Chinees glas, Zijderoute-handel, cultureel erfgoedwetenschap, machine learning-classificatie, glasverwering