La teneur en sulfure de mercure (HgS) dans le cinabre est l'indicateur clé pour l'évaluation de la qualité. Pour répondre aux problèmes des méthodes traditionnelles qui sont longues, destructrices pour l'échantillon et ne répondent pas aux exigences de contrôle qualité rapide, cette étude a combiné la diffraction des rayons X (XRD) avec des algorithmes d'apprentissage automatique multidimensionnels pour construire un système de modèles de prédiction comprenant la régression aux moindres carrés partiels (PLSR), la forêt aléatoire (RF), la régression par vecteurs de support optimisée par essaim de particules (PSO-SVR), le réseau à mémoire à long court terme (LSTM) et le réseau de neurones convolutifs à une dimension (1D-CNN). Plusieurs méthodes de prétraitement spectral et algorithmes de sélection de caractéristiques ont été systématiquement étudiés, et un cadre d'explication additive basé sur SHAP a été introduit pour analyser la logique décisionnelle des modèles. Les résultats montrent qu'après prétraitement par la transformation des variables normales standard (SNV) et sélection des caractéristiques par échantillonnage adaptatif compétitif repondéré (CARS), les modèles PSO-SVR et LSTM ont les meilleures performances globales. Le coefficient de détermination des ensembles de calibration et de validation du modèle LSTM (R²C et R²V) était respectivement de 0,9926 et 0,8794, l'erreur quadratique moyenne (RMSE_C et RMSE_V) de 0,1205 et 0,4115, et l'écart résiduel de prédiction (RPD) atteint 2,8797; le modèle PSO-SVR atteignait un R²V de 0,8650, un RMSE_V de 0,4354 et un RPD de 2,7214. La validation externe sur 10 lots d'échantillons indépendants a montré des R² supérieurs à 0,80, confirmant la bonne capacité de généralisation et la robustesse du modèle. L'analyse SHAP a révélé que les intensités de diffraction dans les plages 2θ=24°~35° et 50°~60° constituent les caractéristiques clés des décisions du modèle, où les angles de diffraction critiques identifiés par le modèle, tels que 27,92° et 45,59°, sont significativement corrélés positivement au contenu de HgS. La prise de décision de l'algorithme correspond fortement aux caractéristiques de diffraction cristalline de HgS. L'association de la XRD aux algorithmes intelligents permet une prédiction non destructive, rapide et précise de la teneur en sulfure de mercure dans le cinabre, fournissant un soutien méthodologique pour l'évaluation rapide de la qualité des médicaments minéraux et la construction d'un système de contrôle qualité intelligent.

Diffraction des rayons X; Cinabre; Sulfure de mercure; Réseau à mémoire à long court terme (LSTM); Régression par vecteurs de support optimisée par essaim de particules (PSO-SVR); Détection rapide