因盾构施工效率高、对现有交通影响小、安全可靠等优势,盾构法得到了快速发展,积累了丰富的施工经验。盾构刀具是影响盾构施工效率的关键硬件,需要根据掘进距离等因素考虑更换。不及时更换刀具导致刀具过度磨损将严重影响施工效率。掘进参数能够反映盾构机的掘进情况,可以利用掘进参数来检测盾构刀具的磨损状态。支持向量机（Support Vector Machine）是一种机器学习方法,在近十年得到了迅速发展,在信号处理、人像识别、文本识别等领域取得良好的应用效果。近些年,在盾构施工中,如预测地表沉降等领域,支持向量机也表现出良好的性能和优势,但目前对支持向量机在盾构刀具磨损预测的研究较少。因此,本文将基于支持向量机建立盾构刀具磨损预测模型,为成都砂卵石地层的盾构施工提供一种新的检测方法,为今后相似地层的盾构施工提供参考。本文以成都地铁7号线盾构施工信息监测系统记录的掘进数据为数据基础。分析了总推力、刀盘扭矩的成分组成,将工程采用的盾构掘进参数计算模型和优化后的科罗拉多矿业学院CSM模型相结合,推导出一个关于刀盘扭矩、总推力、贯入度、土压的新公式,能够反映刀具磨损与掘进参数变化之间的关系。分析正常施工段的盾构施工状态,表明掘进参数能够反映盾构施工的变化情况,并提出有效数据的选取标准;基于小波降噪方法对掘进数据进行降噪处理,对比分析换刀前后掘进数据的二维特征、三维特征分布,完成盾构刀具临界磨损状态的判定;增加推进位移、推进压力2个参数特征;基于6个特征参数,利用k折交叉验证算法和网格搜索算法对支持向量机算法进行参数寻优,利用热力图选出3种超参数组合。在C分别取1、10、100和gamma取100时,模型的训练精度分别达到0.8850、0.8765、0.8750,验证集的预测精度分别达到0.9236、0.9120、0.9051,并利用召回率、F1值评估模型性能。召回率分别为0.9397、0.9347、0.9246,F1值分别为0.9189、0.9073、0.8998。结果表明,该模型具有较好的预测分类性能。应用模型到实际工程中,模型输出了预测结果值,并给出是否需要换刀的指导性意见。