Adli uygulamalar için potansiyel olarak duman bırakmayan barutların yakın kızılötesi spektroskopi ve kemometrik modelleme yöntemleriyle hızlı ayrımı üzerine bir çalışma

Bu çalışmanın kamu güvenliği için önemi

Duman bırakmayan barut çoğu merminin içinde yakıt olarak bulunur ve ayrıca ev yapımı silahlarda ve doğaçlama bombalarda da ortaya çıkar. İnceleme ekipleri bir olay yerinde serbest barut bulduklarında, hangi fabrikadan geldiğini belirleyebilmek olayları birbirine bağlamada, tedarik zincirlerini izlemekte ve şüphelileri dahil/ hariç tutmada yardımcı olabilir. Bu çalışma, benzer görünümlü barutları ayırt etmek için yavaş kimyasal laboratuvar yöntemleri yerine görünmez ışık ve bilgisayar desen tanıma kullanarak daha hızlı ve daha temiz bir yöntem araştırıyor.

Benzer görünen barutları yakından incelemek

Gayri resmi bir gözlemci için birçok duman bırakmayan barut neredeyse aynı görünür: yalnızca renk, boyut veya biçim bakımından hafifçe farklılaşan küçük taneler veya pulcuklar. Oysa tarifleri üreticiden üreticiye ve kartuş tipine göre değişir. Araştırmacılar Çin’deki 20 üretici tarafından üretilen 79 kartuştan barut topladılar; bunlar tabanca, tüfek ve çivi tabancası cephanesini kapsayan geniş bir karışımdı. Örnekleri çözmek veya yakmak yerine, her kartuştan barutu nazikçe çıkardılar ve testi yapmadan önce olabildiğince dokuyu koruyarak oda sıcaklığında çökelmeye bıraktılar, böylece materyal ileride kullanılmak üzere sağlam kaldı.

Yakın kızılötesi ışıkta gizli parmak izlerini okumak

Ekip barutları yakın kızılötesi spektroskopiyle analiz etti; bu yöntem görünür spektrumun kırmızı ucunun hemen ötesindeki ışığı gönderir ve farklı dalga boylarında ne kadarının soğurulduğunu kaydeder. Bu tür ışık kimyasal bağlardaki hızlı titreşimlerle etkileşir ve keskin çizgiler yerine geniş, örtüşen bantlar üretir. Bu duman bırakmayan barutlarda ana sinyaller nitroselüloz ve ilişkili bileşiklere dayanan bileşenlerden geliyordu; oksijen–hidrojen ve karbon–hidrojen titreşimleriyle ilişkili geniş tepeler olarak göründüler. İlk bakışta farklı üreticilerin spektrumları çok benzer görünüyordu ve yalnızca ince farklar taşıyordu; bu da basit görsel karşılaştırmanın güvenilir ayrım için yeterli olmayacağını gösteriyordu.

Geleneksel istatistiğin neden yetmediği

Görevin ne kadar zorlu olduğunu anlamak için araştırmacılar verilerinin genel dağılımını incelediler. Çoğu barut dar bir aralıkta ışığı soğuruyor ve üreticiler arasındaki benzerlik puanları sıklıkla çok yüksekti. Yalnızca birkaç üretici açıkça farklı desenler gösteriyordu. Ayrıca örnek sayılarında güçlü bir dengesizlikle karşılaştılar: bazı üreticiler çok sayıda kartuş sağlarken, diğerleri yalnızca birkaç örnekle temsil ediliyordu. Ekip temel betimsel istatistikler ve karmaşık verileri iki boyutlu bir haritaya sıkıştıran UMAP gibi yöntemler kullandığında, birçok üretici için kümeler örtüşüyordu. Bu sıkıştırılmış uzaydaki basit sınırlarla çalışan standart makine öğrenmesi modelleri barutları ayıramadı ve %60’ın altında doğruluk elde etti.

İnce desenleri bulması için bir sinir ağına izin vermek

Bu gizli farklılıklarla başa çıkmak için yazarlar derin öğrenme sinir ağına yöneldiler; bu, büyük sayı dizilerinde katmanlı desenler öğrenebilen bir bilgisayar modelidir. Ham yakın kızılötesi spektrumları bu ağa verdiler ve her bir barutun hangi üreticiye ait olduğunu tahmin etmesi için eğittiler. Model mimarisi ve ayarları sistematik aramalarla ayarlandı ve aşırı uyumu sınırlamak için veriler eğitim ve doğrulama setlerine çapraz doğrulama ile bölündü. Doğrudan karşılaştırmalarda sinir ağı dört yaygın algoritmanın ve daha klasik kemometrik yöntemlerin üzerinde performans gösterdi ve 20 üretici genelinde ortalama tahmin doğruluğunu %80’in üzerine çıkardı.

Modelin gerçekten neyi kullandığını anlamak

Siyah kutu modeller adli ortamlarda güvenilirliği zorlaştırabildiğinden, ekip sinir ağının kararlarında spektrumun hangi kısımlarının en etkili olduğunu inceledi. SHAP adlı bir araç kullanarak, özellikle 6700–7100 ve 5700–6000 ters santimetre civarındaki yakın kızılötesi bantların en fazla ağırlığı taşıdığını buldular. Bu bölgeler, barutlardaki ana kimyasal grupların bilinen titreşimsel özellikleriyle örtüşüyor. Bu uyum, modelin rastgele gürültüye dayanmadığını, gözle görülemeyecek kadar ince olan formülasyonlar arasındaki kimyasal olarak anlamlı farklılıklara dayandığını düşündürüyor.

Gelecekteki adli laboratuvarlar için anlamı

Çalışma, yakın kızılötesi spektroskopi ile modern derin öğrenmenin eşleştirildiğinde duman bırakmayan barutları kaynaklarına göre daha hızlı ve birçok geleneksel yaklaşımdan çok daha yüksek doğrulukla ayırabildiğini, kanıtı yok etmeden veya ekstra kimyasal kullanmadan yapabildiğini gösteriyor. Yazarlar testlerinin sağlam tutulmuş kartuş barutları ve bazı dengesizlikler içeren bir veri seti üzerine odaklandığını, bu nedenle atılmış kalıntılar, daha büyük koleksiyonlar ve geliştirilmiş veri işleme üzerine daha fazla çalışma gerektiğini belirtiyorlar. Yine de bulguları, şüpheli bir barutun kaynağını adli bilimcilere hızla daraltmada yardımcı olabilecek pratik bir tarama aracına işaret ediyor; nihai doğrulama için daha ayrıntılı ve daha yavaş laboratuvar yöntemleri kullanılabilir.

Atıf: 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

Anahtar kelimeler: duman bırakmayan barut, adli analiz, yakın kızılötesi spektroskopi, sinir ağı, cephane