利用扫描电子显微镜（SEM）和能量色散光谱仪（EDS），通过机器学习技术增强烟火爆炸后残留物的可追溯性和颗粒分析

《Forensic Chemistry》：Machine learning-enhanced traceability and particle analysis of pyrotechnic post-explosion residues using SEM/EDS

烟火爆炸残留物（PPERs）的标准化采集系统设计与机器学习辅助的SEM/EDS分析技术研究，建立了包含形态筛选、多变量统计分析及t-SNE-RFR混合模型的定量溯源方法，显著提升爆炸物前体配比推断的准确性和效率。

　　在当前的研究中，爆炸残留物的分析对于爆炸物来源的识别具有重要意义。尽管现代技术如光谱分析和色谱分析在火药前驱体研究方面取得了显著进展，但爆炸后残留物的法医学调查方法仍显不足，这在一定程度上限制了爆炸物来源的准确识别。火药爆炸后残留物（PPERs）保留了与前驱体配方相关的化学计量特征，通过机器学习增强的扫描电子显微镜/能谱分析（SEM/EDS）方法，可以实现对这些残留物的系统分析，为后续的法医学研究提供基础。

本研究提出了一种系统的PPERs分析方法，该方法包含三个关键组成部分。首先，开发了一种高压抗性测试容器和残留物收集系统，以确保在火药成分爆炸过程中能够安全、高效地进行操作，包括装药和引爆器的安装、收集板的更换以及反应产物的收集。这一设计不仅提高了实验的安全性，还为后续的分析提供了高质量的残留物样本。

其次，通过使用SEM/EDS结合Particle X Perception System（PXP）系统，实现了对样品中粒子的自动化元素分析，记录了粒子的数量、尺寸和元素组成。为了确保数据的准确性和代表性，本研究还实施了一套数据预处理分析流程，包括形态学筛选标准和多元统计方法。这一流程能够有效去除噪声数据，提高分析的效率和准确性，为后续的机器学习建模提供了高质量的数据基础。

第三，构建了一个机器学习驱动的框架，整合了t分布随机邻近嵌入（t-SNE）用于高维数据的可视化，以及随机森林回归（RFR）用于建立PPERs特征与火药成分参数之间的关联。数据处理工作使用ModelLab化学计量建模AI解决方案软件（Chemmind Technologies Co., Ltd., 北京，中国）完成，该软件能够实现数据的降维、可视化和回归分析。实验结果表明，该混合模型在聚类性能和预测准确性方面均表现出色，其标准化互信息（NMI）高于0.80，决定系数（R2）超过0.95，均方根误差（RMSE）低于0.07，显示出在爆炸残留物分析中具有广泛应用前景的潜力。

本研究的意义在于，它不仅提供了一种新的方法来追踪爆炸物的来源，还为后续的法医学研究奠定了坚实的基础。在实际应用中，这一方法可以用于爆炸现场的残留物分析，帮助警方和相关机构快速确定爆炸物的种类和来源，从而提高案件侦破的效率和准确性。此外，该方法还可以用于火药成分的标准化研究，为火药工业的安全管理和质量控制提供科学依据。

在实验过程中，研究团队克服了多个关键挑战。首先，爆炸后的现场往往被破坏，导致残留物难以获取。为了解决这一问题，研究团队设计了一种高压抗性测试容器，能够在爆炸过程中保护残留物样本，确保其完整性和可回收性。其次，爆炸残留物的成分复杂，且存在较大的矩阵干扰，这使得手动分析变得困难。为此，研究团队采用了一套数据预处理分析流程，通过形态学筛选标准和多元统计方法，有效去除了干扰数据，提高了分析的准确性。最后，爆炸残留物的样本数量有限，且需要精确的采样定位。研究团队通过在PMMA板上随机选取五个不同区域进行采样，确保了样本的代表性和多样性。

本研究采用的SEM/EDS技术是一种高分辨率的分析方法，能够同时获取残留物的形态学特征和元素组成信息。该技术在爆炸残留物分析中的应用，不仅提高了分析的精度，还为自动化分析提供了可能性。然而，由于SEM/EDS数据集的复杂性，传统的手动分析方法难以应对，因此需要引入计算方法进行处理。本研究通过机器学习技术，实现了对这些复杂数据的高效处理，为爆炸残留物的分析提供了新的思路。

此外，本研究还对数据预处理和机器学习建模的流程进行了详细探讨。数据预处理阶段，研究团队通过形态学筛选标准和多元统计方法，对采集的样本数据进行了清洗和优化。这一过程不仅提高了数据的质量，还为后续的机器学习建模提供了可靠的输入。在机器学习建模阶段，研究团队采用t-SNE算法对高维数据进行降维，使得数据可视化更加直观。同时，使用随机森林回归算法对降维后的数据进行建模，建立了PPERs特征与火药成分参数之间的关联。这一建模过程不仅提高了分析的准确性，还为后续的预测和分类提供了基础。

本研究的成果不仅在技术层面具有创新性，还在实际应用中展现了巨大的潜力。通过将SEM/EDS技术与机器学习方法相结合，研究团队成功开发了一种新的分析框架，能够高效处理爆炸残留物的复杂数据，并准确识别爆炸物的来源。这一方法的验证和应用，为爆炸残留物的分析提供了科学依据，同时也为火药工业的安全管理和质量控制提供了新的工具。

在实验过程中，研究团队还对采样策略进行了优化。为了确保样本的随机性和代表性，研究团队在PMMA板上随机选取五个不同区域进行采样，并在实验过程中交替选择顶部或底部的样本区域。这种采样策略不仅提高了样本的多样性，还为后续的分析提供了更全面的数据支持。此外，研究团队还考虑了采样区域的分布，确保样本能够覆盖爆炸后的各个部分，从而提高分析的全面性和准确性。

本研究的实施还得到了多个机构的支持。首先，测试容器和残留物收集系统的开发得到了北中国大学环境与安全工程学院的支持。其次，实验过程中所需的设备和技术支持得到了中国公安部重点实验室的协助。此外，研究团队还得到了山西焦煤化工有限公司的支持，该公司为实验提供了安全的测试环境，确保了实验的顺利进行。这些支持不仅提高了实验的质量，还为研究的深入提供了保障。

在实验过程中，研究团队还对数据的处理和分析进行了详细的探讨。首先，通过SEM/EDS技术获取的元素数据需要经过预处理，以去除噪声和干扰。为此，研究团队实施了一套数据预处理分析流程，包括形态学筛选标准和多元统计方法。这一流程能够有效提高数据的质量，为后续的机器学习建模提供可靠的输入。其次，在机器学习建模阶段，研究团队采用了t-SNE算法对高维数据进行降维，使得数据可视化更加直观。同时，使用随机森林回归算法对降维后的数据进行建模，建立了PPERs特征与火药成分参数之间的关联。这一建模过程不仅提高了分析的准确性，还为后续的预测和分类提供了基础。

本研究的成果不仅在技术层面具有创新性，还在实际应用中展现了巨大的潜力。通过将SEM/EDS技术与机器学习方法相结合，研究团队成功开发了一种新的分析框架，能够高效处理爆炸残留物的复杂数据，并准确识别爆炸物的来源。这一方法的验证和应用，为爆炸残留物的分析提供了科学依据，同时也为火药工业的安全管理和质量控制提供了新的工具。此外，该方法还可以用于爆炸现场的残留物分析，帮助警方和相关机构快速确定爆炸物的种类和来源，从而提高案件侦破的效率和准确性。

本研究的实施还得到了多个机构的支持。首先，测试容器和残留物收集系统的开发得到了北中国大学环境与安全工程学院的支持。其次，实验过程中所需的设备和技术支持得到了中国公安部重点实验室的协助。此外，研究团队还得到了山西焦煤化工有限公司的支持，该公司为实验提供了安全的测试环境，确保了实验的顺利进行。这些支持不仅提高了实验的质量，还为研究的深入提供了保障。

在实验过程中，研究团队还对数据的处理和分析进行了详细的探讨。首先，通过SEM/EDS技术获取的元素数据需要经过预处理，以去除噪声和干扰。为此，研究团队实施了一套数据预处理分析流程，包括形态学筛选标准和多元统计方法。这一流程能够有效提高数据的质量，为后续的机器学习建模提供可靠的输入。其次，在机器学习建模阶段，研究团队采用了t-SNE算法对高维数据进行降维，使得数据可视化更加直观。同时，使用随机森林回归算法对降维后的数据进行建模，建立了PPERs特征与火药成分参数之间的关联。这一建模过程不仅提高了分析的准确性，还为后续的预测和分类提供了基础。

本研究的成果不仅在技术层面具有创新性，还在实际应用中展现了巨大的潜力。通过将SEM/EDS技术与机器学习方法相结合，研究团队成功开发了一种新的分析框架，能够高效处理爆炸残留物的复杂数据，并准确识别爆炸物的来源。这一方法的验证和应用，为爆炸残留物的分析提供了科学依据，同时也为火药工业的安全管理和质量控制提供了新的工具。此外，该方法还可以用于爆炸现场的残留物分析，帮助警方和相关机构快速确定爆炸物的种类和来源，从而提高案件侦破的效率和准确性。

综上所述，本研究通过开发一种高压抗性测试容器和残留物收集系统，结合SEM/EDS技术与机器学习方法，实现了对爆炸残留物的系统分析。这一方法不仅提高了分析的效率和准确性，还为爆炸物来源的识别提供了新的途径。研究团队在实验过程中克服了多个关键挑战，包括爆炸后现场的破坏、残留物成分的复杂性以及样本数量的限制。通过优化采样策略和数据预处理流程，研究团队确保了样本的代表性和数据的质量，为后续的机器学习建模提供了可靠的基础。实验结果表明，该混合模型在聚类性能和预测准确性方面均表现出色，显示出在爆炸残留物分析中的广泛应用前景。这一研究成果不仅在技术层面具有创新性，还在实际应用中展现了巨大的潜力，为相关领域的研究提供了重要的参考和指导。