Der Gehalt an Quecksilbersulfid (HgS) in Zinnober ist der Kernindikator für die Qualitätsbewertung. Um die Probleme traditioneller Methoden zu lösen, die zeitaufwendig sind, Proben zerstören und die Anforderungen an eine schnelle Qualitätskontrolle nur schwer erfüllen, kombinierte diese Studie die Röntgenbeugung (XRD) mit multidimensionalen maschinellen Lernalgorithmen und entwickelte ein System von Vorhersagemodellen, darunter partielle kleinste Quadrate Regression (PLSR), Random Forest (RF), Partikelschwarm-optimierte Support Vector Regression (PSO-SVR), Langzeit-Kurzzeitgedächtnisnetzwerk (LSTM) und eindimensionales Convolutional Neural Network (1D-CNN). Es wurden systematisch verschiedene spektrale Vorverarbeitungsmethoden und Merkmalsauswahlalgorithmen untersucht und der SHAP (Shapley Additive Explanations) Rahmen eingeführt, um die Entscheidungslogik der Modelle zu analysieren. Die Ergebnisse zeigen, dass nach der Vorverarbeitung mit Standardnormalvariablen-Transformation (SNV) und Merkmalsscreening mittels konkurrierendem adaptivem regewichteten Sampling (CARS) die PSO-SVR- und LSTM-Modelle die beste Gesamtleistung erzielen. Der Bestimmtheitskoeffizient für Kalibrierungs- und Validierungssets des LSTM-Modells (R²C und R²V) betrug 0,9926 bzw. 0,8794, die mittleren quadratischen Fehler (RMSEC und RMSEV) 0,1205 bzw. 0,4115, und die Restvorhersageabweichung (RPD) erreichte 2,8797; das PSO-SVR-Modell hatte einen R²V von 0,8650, RMSEV von 0,4354 und RPD von 2,7214. Die externe Validierung mit 10 unabhängigen Stichproben zeigte, dass der R²-Wert jeweils über 0,80 lag, was die gute Generalisierungsfähigkeit und Robustheit des Modells bestätigt. Die SHAP-Analyse offenbarte zudem, dass die Beugungsintensitäten im Bereich von 2θ=24°~35° und 50°~60° die Kernmerkmale für die Entscheidungsfindung des Modells sind, wobei die vom Modell identifizierten Schlüsseldiffraktionswinkel wie 27,92° und 45,59° in signifikant positiver Korrelation mit dem HgS-Gehalt stehen. Die Algorithmusentscheidungen stimmen stark mit den Beugungsmerkmalen der HgS-Kristalle überein. Die Kombination von XRD mit intelligenten Algorithmen ermöglicht eine zerstörungsfreie, schnelle und genaue Vorhersage des Quecksilbersulfidgehalts in Zinnober und bietet methodische Unterstützung für die schnelle Qualitätsbewertung mineralischer Arzneimittel sowie den Aufbau intelligenter Qualitätskontrollsysteme.

Röntgenbeugung; Zinnober; Quecksilbersulfid; Langzeit-Kurzzeitgedächtnisnetzwerk (LSTM); Partikelschwarm-optimierte Support Vector Regression (PSO-SVR); Schnelle Detektion