TBM隧道常因施工过程中无法及时准确获取掌子面前方岩体参数,导致掘进参数的设置受人为因素影响大,无法匹配岩体条件,导致破岩效率低下,TBM利用率不高等后果,甚至带来滚刀、刀盘异常磨损等灾害,严重影响TBM的安全高效掘进。多年来,众多学者致力于TBM掘进参数预测,但预测方法多局限于简单的多元线性回归方法,其模型精确程度及泛化性能大多难以满足工程需求,导致TBM掘进过程中缺乏准确可用的岩体参数与掘进参数的关系模型,针对上述问题及需求,鉴于机器学习方法在揭示多特征数据集隐含规律方面具有的优势,提出了基于机器学习算法建立数据模型,进而对岩体参数与TBM性能参数进行挖掘预测的解决思路。为此,本研究依托吉林引松工程,建立TBM掘进参数和岩体参数数据库。通过支持向量机回归算法实现了隧道岩体参数表征和TBM性能参数预测,主要研究内容如下:(1)用于TBM主要掘进参数预测和岩体参数预测的机器学习方法优选。根据所建数据库内岩体参数和TBM掘进参数数据集特点,本研究初步选择了包含BP神经网络、树回归和支持向量机回归在内的六种机器学习算法的特点进行了对比分析。通过分析得出:与其它机器学习算法相比,支持向量机回归算法在中、小规模数据集的挖掘预测方面表现更好,求解全局最优解的能力更强;同时,支持向量机回归算法可有效避免过拟合,具有较强的泛化能力,因此更适合应用于本研究。(2)利用TBM主要掘进参数建立并优化岩体参数预测模型并进行岩体参数预测。利用包含总推进力、刀盘扭矩和贯入度在内的六个TBM掘进参数,分别基于BP神经网络、树回归和支持向量机回归算法建立节理间距DPW、单轴抗压强度UCS、巴西抗拉强度BTS、节理方向α、脆性指数Bi、岩石硬度HS、岩石质量指标RQD等七个岩体参数的数据挖掘模型并进行挖掘预测。结果显示支持向量机回归模型的预测效果最优,对于上述六个岩体参数(不含脆性指数)预测结果与实际值趋势基本一致,其平均eMAPE值为18.58%。采取了引松供水工程四标段灰岩段及灰岩、凝灰质砂岩混合段落岩体参数,建立支持向量机回归模型进行预测,其平均eMAPE值分别为19.01%和20.83%,表明模型预测性能良好。(3)利用岩体参数建立并优化TBM主要性能参数预测模型并进行掘进参数预测。利用(2)中所述的七个岩体参数,分别基于BP神经网络、树回归和支持向量机回归算法建立掘进速度PR、推力F、扭矩T、贯入度P、贯入度指数FPI等五个TBM运行参数的数据挖掘模型并进行挖掘预测。结果显示支持向量机回归模型的预测效果最优,对于上述五个TBM掘进参数的预测结果与实际值趋势基本一致,其平均eMAPE值为21.94%。采取了引松供水工程四标段灰岩段及灰岩、凝灰质砂岩混合段落岩体参数,建立支持向量机回归模型进行预测,其平均eMAPE值分别为19.50%和19.36%,表明模型预测性能良好。(4)依托吉林引松供水工程四标段进行工程应用并检验模型泛化性能。利用上述支持向量机回归模型分别对依托工程30个试验断面的岩体参数和TBM掘进参数进行预测,预测结果与模型自身验证结果相近,其平均eMAPE值分别为20.42%和20.65%,证明了模型良好的泛化能力。