张哲铭，李晓瑜，姬 建,2

(1.河海大学土木与交通学院，江苏 南京 210098； 2.河海大学岩土工程科学研究所，江苏 南京 210098)

随着我国掘进机技术的迅速发展，全断面隧道掘进机(tunnel boring machine，TBM)已经被广泛运用到铁路隧道、水利隧道以及采矿工程中[1]。但是地质情况多变性、岩-机相互作用机理复杂性对TBM掘进性能的干扰问题一直难以解决。目前主要依靠现场工程师和TBM司机的经验对掘进参数进行调节，但一旦遇到复杂地质条件，难以及时调整掘进方案，容易导致TBM卡机及严重的地质灾害。因此实现TBM安全高效掘进的首要任务是在掘进过程中根据不同地质条件等因素合理选择掘进参数[2]。如今工程建造的智能化以及大数据平台的建立使得TBM的安全高效掘进和智能控制显得越来越重要，TBM掘进参数的预测成为当前研究的一个热点。欧洲地下工程施工战略研究机构已经把“无人值守TBM掘进”作为2030年的远景目标[3]。

国内外众多学者主要采用传统方法、智能算法对TBM掘进参数进行预测，目前预测模型主要有单因素预测模型、综合预测模型(CSM模型和NTH模型)、岩体分类预测模型(QTBM模型)、概率模型、模糊神经网络模型、罗宾斯模型等[4]。Yagiz[5]通过引入脆性指数、节理间距、节理角度等岩体参数对CSM模型进行修正，实现了TBM推进速度的精准预测。挪威科技大学基于大量现场掘进试验数据提出了NTNU模型[6]，并预测了TBM的净推进速度。尽管传统方法的预测模型可解释性强，但其影响因素过多、建模过程复杂，具有很强的专业性，因此影响了其推广性。……