주사(朱砂) 내의 황화수은(HgS) 함량은 품질 평가의 핵심 지표입니다. 전통적인 측정법이 시간이 많이 걸리고 시료를 파괴하며 빠른 품질 관리 요구를 충족하기 어렵다는 문제에 대응하여, 본 연구는 X선 회절(XRD)과 다차원 기계 학습 알고리즘을 결합하여 부분 최소 제곱 회귀(PLSR), 랜덤 포레스트(RF), 입자 군집 최적화 지원 벡터 회귀(PSO-SVR), 장단기 기억 네트워크(LSTM), 1차원 합성곱 신경망(1D-CNN) 예측 모델 체계를 구축하였습니다. 다양한 스펙트럼 전처리 방법과 특징 선별 알고리즘을 체계적으로 조사하고, 샤플리 가법 설명(SHAP) 프레임워크를 도입하여 모델의 결정 논리를 분석하였습니다. 결과는 표준 정규 변수 변환(SNV) 전처리와 경쟁적 적응 가중 재표집(CARS) 특징 선별 후 PSO-SVR과 LSTM 모델의 종합 성능이 가장 우수함을 나타냈습니다. LSTM 모델의 교정 집합과 검증 집합 결정 계수(R²_C, R²_V)는 각각 0.9926과 0.8794, 평균 제곱근 오차(RMSE_C, RMSE_V)는 0.1205와 0.4115였으며, 잔여 예측 편차(RPD)는 2.8797에 달했습니다; PSO-SVR 모델의 R²_V는 0.8650, RMSE_V는 0.4354, RPD는 2.7214였습니다. 10회 독립 외부 검증 샘플에서 R²는 모두 0.80 이상으로, 모델이 우수한 일반화 능력과 견고성을 갖추었음을 입증했습니다. SHAP 분석은 또한 2θ=24°~35° 및 50°~60° 구간의 회절 강도가 모델 결정의 핵심 특징임을 밝혀냈으며, 27.92°, 45.59° 등의 주요 회절 각도는 HgS 함량과 유의미한 양의 상관관계를 보였습니다. 알고리즘 결정은 HgS 결정 회절 특징과 높은 일치성을 나타냅니다. XRD와 지능형 알고리즘의 결합은 주사 내 황화수은 함량의 비파괴적, 빠르고 정확한 예측을 가능하게 하여 광물 약물의 신속한 품질 평가와 지능형 품질 관리 시스템 구축에 방법론적 지원을 제공합니다.

X선 회절; 주사; 황화수은; 장단기 기억 네트워크(LSTM); 입자 군집 최적화 지원 벡터 회귀(PSO-SVR); 빠른 검출