隧道全断面岩石掘进机（Tunnel Boring Machine,TBM）以其高掘进效率、对岩体扰动小、成洞质量高、安全性强等优势,已成为隧道与地下工程施工主要装备。然而,现阶段TBM掘进难以准确、快速地获取沿线岩体地质参数,TBM掘进控制参数的选择和掘进姿态的调整缺乏科学依据,主要依靠人为经验,时常出现TBM控制参数与岩体条件不匹配、不适应的问题,进而导致掘进速度下降、掘进成本增加、刀具出现异常磨损甚至卡机、机器损毁等严重后果。因此,开展TBM掘进控制参数优化与决策方法研究,对于保障TBM安全、高效掘进具有重要意义,已成为国际TBM施工领域的研究热点。针对TBM掘进参数与掘进姿态的优化控制问题,本文提出了基于岩体地质信息感知和人工智能的TBM掘进辅助决策方法。其原理在于,利用高精度影像设备、结合探测信息和人工智能算法动态获取沿线围岩抗压强度、节理频数以及岩渣粒径等参数。以上述岩体信息为基础,一方面开展足尺线性切割试验和大数据挖掘分析,揭示了基于多种智能算法的岩-机互馈规律与关系,以比能最优和高效掘进为优化目标,进而建立基于岩-机互馈规律的主控参数渐进分步决策方法;另一方面,结合TBM掘进姿态控制的机械原理与深度神经网络方法,构建了TBM掘进姿态双驱动智能控制方法。TBM掘进参数智能决策与掘进姿态智能控制方法均在实际工程中得到成功验证。本文的主要研究工作及成果如下:（1）TBM掘进近前方岩体参数快速感知方法。分别针对岩体强度、完整性与岩渣信息,研究原位快速感知方法。岩体强度方面,以实测地震波速与TBM掘进数据为输入,利用BP神经网络算法,挖掘“震-机-岩”参数相关关系,据此建立岩体抗压强度的计算模型;岩体完整性方面,采用节理频数表征岩体完整性,借助多目视觉成像与图像识别算法,实时捕捉围岩表面节理分布情况,据此推算围岩节理频数,建立基于多目视觉成像的岩体节理频数快速获取方法;岩渣信息方面,以岩渣平均粒径为关键感知对象,借助线阵激光扫描方法,快速捕捉皮带机出渣三维点云图像,实时计算渣片平均粒径,建立基于线阵激光扫描的岩渣信息快速识别方法。上述方法感知所得的岩体数据将作为重要的数据基础。（2）TBM掘进主控参数智能决策方法。针对TBM掘进主控参数的选择依赖人为经验,难以匹配岩体地质条件的问题,本文提出了 TBM掘进岩-机互馈规律与主控参数智能决策方法。首先开展足尺线性切割试验探究破岩机理,其次基于研究内容一中方法实时感知所得的岩体参数与TBM掘进主控参数,依据多种机器学习算法,挖掘上述两类参数的相关关系,根据多模型在不同岩体条件下的表现情况,对岩体参数进行分区,并对各模型进行差异化加权,建立岩-机互馈关系模型,并以比能和掘进效率最优为目标对主控参数进行分步决策,最终形成基于掘进岩-机互馈规律的TBM掘进主控参数智能决策方法,经现场实测数据验证,该方法具有良好的精度与地质适应性。（3）TBM掘进姿态智能控制方法。针对TBM掘进姿态控制依赖人为经验,缺乏科学依据的问题,本文首先建立已知岩体条件下,左右撑靴油缸和左右反扭矩油缸行程与TBM既有偏移情况间的理论模型。以此模型为约束并结合深度学习,形成不同岩体条件与既有掘进姿态下的TBM姿态控制方案,并最终形成TBM掘进姿态智能控制方法。具体而言,该方法将TBM掘进姿态控制拆解为水平与垂向姿态控制两个子问题,以深度神经网络为方法桥梁,以实测岩体地质条件与TBM既有的水平与垂向的角度与距离偏移量为依据与关键输入,以撑靴与反扭矩油缸行程为控制决策目标,构建了 TBM掘进姿态智能控制方法。该方法可根据岩体地质条件与既有掘进姿态,给出撑靴与反扭矩油缸行程。通过控制撑靴与反扭矩油缸行程,可有效调整掘进姿态,实现TBM掘进姿态的科学调整。（4）TBM控制参数决策方法的工程验证。依托珠江三角洲水资源配置工程,采用实测数据推演与现场掘进试验两种方式对所建TBM控制参数决策及姿态智能控制方法进行验证。数据推演方面,通过对设计好的多种工况下TBM掘进参数智能决策与掘进姿态智能控制方法进行决策计算,得到控制参数、姿态控制参数决策结果随岩体地质信息的变化规律,并对其进行理论分析,据此判断模型决策的合理性。现场试验方面,选取SL7+655～SL7+396桩号范围为试验段,开展了总长为259米的掘进试验。在试验段内,基于实测及初勘所得的岩体参数,利用所建TBM掘进参数智能决策方法逐环计算贯入度与刀盘转速等参数的决策结果,并据此给出建议范围供主司机参考。同时,试验段内还利用所建的TBM掘进姿态智能控制方法逐环计算左右撑靴油缸行程差与左右反扭矩油缸行程和。结果显示,主司机经验控制结果与模型智能决策结果具有较高的一致性和重合度,证明了本文所建的TBM掘进参数智能决策与掘进姿态智能控制方法具有一定的科学性和参考价值。