El contenido de sulfuro de mercurio (HgS) en la cinabrio es un indicador clave para la evaluación de la calidad. Ante el problema de que los métodos tradicionales de determinación consumen mucho tiempo, destruyen la muestra y no pueden satisfacer la necesidad de control de calidad rápido, este estudio combinó la difracción de rayos X (XRD) con algoritmos de aprendizaje automático multidimensionales para construir un sistema de modelos predictivos basados en regresión de mínimos cuadrados parciales (PLSR), bosque aleatorio (RF), regresión de vectores de soporte optimizada por enjambre de partículas (PSO-SVR), red de memoria a largo y corto plazo (LSTM) y red neuronal convolucional unidimensional (1D-CNN). Se investigaron sistemáticamente varios métodos de preprocesamiento espectral y algoritmos de selección de características, e se introdujo el marco explicativo aditivo de Shapley (SHAP) para analizar la lógica de toma de decisiones del modelo. Los resultados mostraron que el preprocesamiento con transformación de variable normal estándar (SNV) combinado con la selección de características de muestreo ponderado adaptativo competitivo (CARS) obtuvo el mejor desempeño integral en los modelos PSO-SVR y LSTM. Los coeficientes de determinación para el conjunto de calibración y validación del modelo LSTM (R²C, R²V) fueron 0.9926 y 0.8794 respectivamente, los errores cuadráticos medios (RMSEC, RMSEV) fueron 0.1205 y 0.4115, y la desviación de predicción residual (RPD) fue 2.8797; el modelo PSO-SVR tuvo un R²V de 0.8650, RMSEV de 0.4354 y RPD de 2.7214. La validación externa con 10 lotes independientes mostró que todos los R² fueron mayores a 0.80, confirmando que los modelos tienen buena capacidad de generalización y robustez. El análisis SHAP reveló además que las intensidades de difracción en los intervalos de 2θ=24°~35° y 50°~60° son las características centrales para la toma de decisiones del modelo, siendo los ángulos de difracción clave identificados (27.92°, 45.59°) significativamente correlacionados positivamente con el contenido de HgS, y que las decisiones algorítmicas coinciden estrechamente con las características de difracción cristalina de HgS. La combinación de XRD con algoritmos inteligentes permite realizar una predicción no destructiva, rápida y precisa del contenido de sulfuro de mercurio en la cinabrio, proporcionando apoyo metodológico para la evaluación rápida de la calidad de medicamentos minerales y la construcción de sistemas inteligentes de control de calidad.

Difracción de rayos X; Cinabrio; Sulfuro de mercurio; Red de memoria a largo y corto plazo (LSTM); Regresión de vectores de soporte optimizada por enjambre de partículas (PSO-SVR); Detección rápida