Um estudo para discriminação rápida em potencial de pós sem fumaça por espectroscopia no infravermelho próximo e métodos de modelagem quimiométrica para aplicação forense

Por que este estudo importa para a segurança pública

O pó sem fumaça é o combustível dentro da maioria dos projéteis e também aparece em armas caseiras e bombas improvisadas. Quando investigadores encontram pó solto em uma cena de crime, ser capaz de identificar de qual fábrica ele veio pode ajudar a ligar casos, traçar rotas de abastecimento e excluir ou envolver suspeitos. Este estudo explora uma forma mais rápida e limpa de diferenciar pós de aparência similar, usando luz invisível e reconhecimento de padrões computacional em vez de trabalhos químicos de laboratório lentos.

Observando de perto pós que parecem idênticos

Para um observador casual, muitos pós sem fumaça parecem quase idênticos: pequenos grânulos ou flocos que diferem apenas ligeiramente em cor, tamanho ou forma. Ainda assim, suas fórmulas variam de fabricante para fabricante e entre tipos de cartucho. Os pesquisadores coletaram pós de 79 cartuchos produzidos por 20 fabricantes na China, cobrindo uma ampla mistura de munição para pistola, rifle e pistolas de prego. Em vez de dissolver ou queimar as amostras, eles removeram delicadamente o pó de cada cartucho e o deixaram estabilizar à temperatura ambiente antes dos testes, mantendo o material intacto para possível uso posterior.

Lendo impressões digitais ocultas no infravermelho próximo

A equipe analisou os pós com espectroscopia no infravermelho próximo, um método que ilumina com luz logo além da extremidade vermelha do espectro visível e registra quanto é absorvido em diferentes comprimentos de onda. Esse tipo de luz interage com vibrações rápidas em ligações químicas, produzindo feições amplas e sobrepostas em vez de linhas nítidas. Nesses pós sem fumaça, os sinais principais vieram de ingredientes à base de nitrocelulose e compostos relacionados, que surgiram como picos largos associados às vibrações oxigênio–hidrogênio e carbono–hidrogênio. À primeira vista, os espectros de diferentes fabricantes pareciam muito semelhantes e mostravam apenas diferenças sutis, sugerindo que uma comparação visual simples não seria suficiente para separá-los de forma confiável.

Por que estatísticas tradicionais não foram suficientes

Para entender quão desafiadora era a tarefa, os pesquisadores examinaram a dispersão geral de seus dados. A maioria dos pós absorvia luz dentro de uma faixa estreita, e as pontuações de similaridade entre fabricantes eram frequentemente muito altas. Apenas alguns fabricantes exibiam padrões claramente distintos. Eles também enfrentaram um forte desequilíbrio no número de amostras: alguns fabricantes forneceram muitos cartuchos, enquanto outros foram representados por apenas alguns. Quando a equipe usou ferramentas comuns, como estatísticas descritivas básicas e um método chamado UMAP, que comprime dados complexos em um mapa bidimensional, os agrupamentos de muitos fabricantes se sobrepuseram. Modelos de aprendizado de máquina padrão que dependem de fronteiras simples nesse espaço comprimido tiveram dificuldade para separar os pós e alcançaram menos de 60% de acurácia.

Permitindo que uma rede neural encontre padrões sutis

Para enfrentar essas diferenças ocultas, os autores recorreram a uma rede neural de aprendizado profundo, um tipo de modelo computacional que pode aprender padrões em camadas a partir de grandes conjuntos de números. Eles alimentaram os espectros brutos do infravermelho próximo nessa rede e a treinaram para prever qual fabricante produziu cada pó. A arquitetura do modelo e seus parâmetros foram ajustados por buscas sistemáticas, e os dados foram divididos em conjuntos de treinamento e validação com verificações cruzadas para limitar o sobreajuste. Em comparações diretas, a rede neural superou quatro algoritmos comuns, bem como métodos quimiométricos mais clássicos, elevando a acurácia média de predição para acima de 80% entre os 20 fabricantes.

Entendendo o que o modelo realmente está usando

Como modelos caixa‑preta podem ser difíceis de confiar em contextos forenses, a equipe examinou quais partes dos espectros mais influenciavam as decisões da rede neural. Usando uma ferramenta chamada SHAP, eles descobriram que bandas específicas do infravermelho próximo, especialmente nas faixas em torno de 6700 a 7100 e 5700 a 6000 centímetros inversos, carregavam a maior importância. Essas regiões correspondem a feições vibracionais conhecidas de grupos químicos-chave nos pós. Essa correspondência sugere que o modelo não estava se apoiando em ruído aleatório, mas sim em diferenças quimicamente significativas entre formulações que são sutis demais para serem vistas a olho nu.

O que isso significa para futuros laboratórios criminais

O estudo mostra que a espectroscopia no infravermelho próximo, combinada com aprendizado profundo moderno, pode rapidamente classificar pós sem fumaça por origem com precisão muito maior do que várias abordagens tradicionais, sem destruir a evidência ou usar produtos químicos extras. Os autores alertam que seus testes se concentraram em pó intacto de cartuchos e em um conjunto de dados com alguns desequilíbrios, portanto são necessários mais trabalhos em resíduos de disparo, coleções maiores e melhor tratamento dos dados. Ainda assim, os resultados apontam para uma ferramenta prática de triagem que poderia ajudar cientistas forenses a reduzir rapidamente a origem provável de um pó suspeito, enquanto métodos laboratoriais mais detalhados e lentos cuidam da confirmação final.

Citação: 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

Palavras-chave: pó sem fumaça, análise forense, espectroscopia no infravermelho próximo, rede neural, munição