La teneur en sulfure de mercure (HgS) dans la cinabre est un indicateur clé pour l'évaluation de la qualité. En réponse aux problèmes liés aux méthodes traditionnelles qui sont longues, destructives pour l'échantillon et ne répondent pas aux exigences de contrôle qualité rapide, cette étude combine la diffraction des rayons X (XRD) avec des algorithmes d'apprentissage automatique multidimensionnels pour construire un système de modèles prédictifs basé sur la régression par 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 court et long terme (LSTM) et le réseau de neurones convolutifs unidimensionnel (1D-CNN). Plusieurs méthodes de prétraitement spectrale et algorithmes de sélection de caractéristiques ont été systématiquement examinés, et le cadre d'explication additive de Shapley (SHAP) a été introduit pour interpréter la logique décisionnelle des modèles. Les résultats montrent que le prétraitement par transformation des variables normalisées standard (SNV) combiné à la sélection de caractéristiques par échantillonnage adaptatif pondéré compétitif (CARS) donne les meilleures performances globales pour les modèles PSO-SVR et LSTM. Les coefficients de détermination pour les ensembles d'étalonnage et de validation du modèle LSTM (R²C, R²V) sont respectivement de 0,9926 et 0,8794, les erreurs quadratiques moyennes (RMSEC, RMSEV) de 0,1205 et 0,4115, et le rapport de prédiction résiduelle (RPD) de 2,8797 ; le modèle PSO-SVR a un R²V de 0,8650, un RMSEV de 0,4354 et un RPD de 2,7214. La validation externe sur 10 lots d’échantillons indépendants donne des R² supérieurs à 0,80, confirmant que les modèles ont une bonne capacité de généralisation et une robustesse élevée. L’analyse SHAP révèle en outre que les intensités de diffraction dans les plages 2θ=24°~35° et 50°~60° sont les caractéristiques centrales de la prise de décision du modèle, avec des angles de diffraction clés identifiés (27,92°, 45,59°) corrélés positivement de manière significative avec la teneur en HgS, montrant une forte cohérence entre la décision algorithmique et les caractéristiques de diffraction cristalline du HgS. L'association de la XRD et d’algorithmes intelligents permet une prédiction non destructive, rapide et précise de la teneur en sulfure de mercure dans la cinabre, fournissant un support méthodologique pour l'évaluation rapide de la qualité des médicaments minéraux et la construction de systèmes de contrôle qualité intelligents.

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