Classificação automática de resíduos de líquidos inflamáveis: regras programadas superam aprendizado de máquina em estudo de Singapura

Leng Leng Chng e Kang Hua Lee, do Applied Sciences Group do Laboratório de Química e Física Forense da Divisão de Ciência Forense da Health Sciences Authority, de Singapura, publicaram on-line em 21 de outubro de 2026, no Journal of Forensic Sciences, da American Academy of Forensic Sciences, o artigo “Automated classification of ignitable liquid profiles: Comparing machine learning and rule-based systems”.

O texto integral é de acesso por assinatura na editora Wiley, e o que se segue sobre métodos e resultados vem do resumo publicado no PubMed, a base de dados da Biblioteca Nacional de Medicina dos Estados Unidos, que também traz as datas, as palavras-chave e a lista de 38 referências do artigo.

Pelos registros do PubMed, o manuscrito foi recebido em 23 de março de 2026, revisado em 24 de agosto e aceito em 15 de setembro de 2026.

O problema: ler o perfil do cromatograma

Na análise de resíduos de incêndio, o material recolhido no local passa por extração e o extrato é analisado por cromatografia gasosa acoplada à espectrometria de massas (GC-MS), técnica que separa os compostos pelo tempo que levam para atravessar a coluna do equipamento (tempo de retenção) e os identifica pelo espectro de massas, e o analista compara o perfil obtido com amostras de referência para enquadrar o líquido numa das classes da norma ASTM E1618.

A página pública da ASTM sobre a E1618-19 diz que identificar resíduo de líquido inflamável pode apoiar a opinião do investigador sobre a origem, a carga de incêndio e a natureza intencional do fogo, mas que a presença do resíduo não leva necessariamente à conclusão de incêndio intencional, porque a investigação pode revelar uma razão legítima para ele estar ali, e que a ausência de resíduo detectável não prova que não havia líquido inflamável no local, por causa da volatilidade desses líquidos e das variações na coleta.

A mesma página registra que os materiais comuns de uma edificação, expostos ao calor, formam produtos de pirólise e de combustão, que o perfil de íons extraídos e a identificação de compostos específicos ajudam a reconhecer o líquido inflamável no meio dessa interferência e que o método não substitui o conhecimento, a habilidade e a experiência do analista.

Dois caminhos para automatizar

Os autores desenvolveram dois métodos para classificar automaticamente líquidos inflamáveis puros e resíduos de líquidos inflamáveis, e os avaliaram com dados de GC-MS gerados em laboratório a partir de amostras de vários tipos das classes da ASTM E1618-19.

O primeiro usa aprendizado de máquina no programa de mineração de dados Orange, por análise de imagem, para reconhecer o padrão do cromatograma e compará-lo com amostras de referência conhecidas, e nele foram testados cinco modelos: rede neural, máquina de vetores de suporte, regressão logística, floresta aleatória e k vizinhos mais próximos.

O segundo é uma estrutura em Python baseada em regras, que automatiza os passos de rotina do analista ao identificar os compostos principais da amostra pelo espectro de massas e pelo tempo de retenção e ao classificar o perfil por regras lógicas.

Os números do resumo

Os cinco modelos de aprendizado de máquina tiveram desempenho que os autores classificam como moderado, com acurácia de 0,635 a 0,706, F1 de 0,626 a 0,703, precisão de 0,646 a 0,734, revocação de 0,635 a 0,706 e coeficiente de correlação de Matthews de 0,595 a 0,675.

A estrutura de regras em Python chegou a acurácia de 0,922, F1 de 0,924, precisão de 0,935, revocação de 0,922 e coeficiente de correlação de Matthews de 0,913.

A acurácia é a fração das amostras classificadas corretamente, a precisão indica quantas das atribuições a uma classe estavam certas, a revocação indica quantas amostras de cada classe foram encontradas, o F1 combina precisão e revocação num só número e o coeficiente de Matthews é uma medida de concordância que vai de -1 a 1 e considera todos os acertos e erros, e por isso costuma ser usado quando as classes têm tamanhos diferentes.

O resumo não informa o número de amostras, a divisão entre dados de treino e de teste, as classes em que cada método mais errou nem as limitações apontadas pelos autores.

O que os autores concluem

Segundo o resumo, os dois métodos permitiram a classificação automática de perfis de líquidos inflamáveis e podem servir de ferramenta de avaliação preliminar ou de verificação adicional das interpretações e conclusões do analista de resíduos de incêndio.

O estudo na literatura da área

A lista de referências mostra que o trabalho dialoga com estudos anteriores de classificação de resíduos de incêndio por quimiometria e aprendizado de máquina, como os de M. E. Sigman e M. R. Williams sobre taxas de classificação correta e razão de verossimilhança, os de Bogdal e colegas sobre reconhecimento de gasolina e o de Whitehead, Williams e Sigman, de 2023, que compara opiniões de analistas e de aprendizado de máquina.

Os autores citam também a coleção de referência de líquidos inflamáveis (Ignitable Liquids Reference Collection) do National Center for Forensic Science, da University of Central Florida, a edição E1618-25 da norma, a classificação ASTM E3407-25, Standard Classification for Ignitable Liquids Encountered in Fire Debris Analysis, e trabalhos sobre a transparência do raciocínio pericial e sobre relato probabilístico e algoritmos na ciência forense.

Para a perícia de incêndio, o resumo situa os dois métodos como apoio ao analista, e a página pública da ASTM E1618 lembra que achar resíduo de líquido inflamável no local, por si só, não basta para concluir que o fogo foi intencional.