محتوى كبريتيد الزئبق (HgS) في الزنجفر هو المؤشر الأساسي لتقييم الجودة. لمواجهة المشكلات المتعلقة بالطرق التقليدية التي تستغرق وقتًا طويلاً، وتدمير العينة، وعدم القدرة على تلبية متطلبات مراقبة الجودة السريعة، جمعت هذه الدراسة بين حيود الأشعة السينية (XRD) وخوارزميات التعلم الآلي متعددة الأبعاد، وأنشأت نظام نماذج التنبؤ باستخدام الانحدار بالحد الأدنى للمربعات الجزئي (PLSR)، والغابات العشوائية (RF)، والانحدار بدعم متجهات بOptimized جزئياً بواسطة سرب الجسيمات (PSO-SVR)، وشبكة الذاكرة طويلة القصيرة الأمد (LSTM)، والشبكة العصبية التفافية أحادية البعد (1D-CNN). تم فحص عدة طرق معالجة طيفية أولية وخوارزميات اختيار الميزات، وأدخلت إطار تفسير الإضافة الشابيلي (SHAP) لتحليل منطق اتخاذ القرار للنموذج. أظهرت النتائج أنه بعد المعالجة الأولية بتحويل المتغيرات الطبيعية القياسية (SNV) وفلترة الميزات باستخدام إعادة التوزين التكيفية التنافسية (CARS)، كانت أداء نماذج PSO-SVR وLSTM أفضل. معامل التحديد لمجموعات المعايرة والتحقق لنموذج LSTM (R²C وR²V) كان 0.9926 و0.8794 على التوالي، وأخطاء الجذر التربيعي (RMSEC وRMSEV) كانت 0.1205 و0.4115، وانحراف التنبؤ المتبقي (RPD) بلغ 2.8797؛ أما نموذج PSO-SVR فكان R²V له 0.8650، وRMSEV كان 0.4354، وRPD بلغ 2.7214. تم التحقق من صحة 10 دفعات من العينات المستقلة خارج المجموعة، حيث تجاوزت معامل التحديد 0.80، مما يؤكد قدرة النموذج على التعميم والثبات. كشف تحليل SHAP أن كثافة الحيود في نطاق 2θ = 24°~35° و50°~60° هي الميزات الأساسية لاتخاذ قرار النموذج، مع ارتباط إيجابي ملحوظ بين زوايا الحيود الرئيسية التي تعرفها النماذج مثل 27.92° و45.59° ومحتوى HgS، مما يتوافق بشكل كبير مع خصائص حيود بلورة HgS. يمكن أن يوفر استخدام تقنيات XRD بالتزامن مع الخوارزميات الذكية تنبؤات دقيقة وسريعة وغير مدمرة لمحتوى كبريتيد الزئبق في الزنجفر، مما يقدم دعمًا منهجيًا لتقييم جودة الأدوية المعدنية وبناء أنظمة مراقبة جودة ذكية.

حيود الأشعة السينية; الزنجفر; كبريتيد الزئبق; شبكة الذاكرة قصيرة وطويلة الأمد (LSTM); الانحدار بدعم متجهات مدعوم بتحسين سرب الجسيمات (PSO-SVR); الكشف السريع