对于大直径盾构隧道工程尤其是穿越地面水系的盾构隧道工程而言,由于其开挖断面大,穿越地形复杂,往往面临严重的盾尾管片上浮问题。对于管片上浮问题,现有研究多集中于对相关影响因素的定性分析,而对管片上浮量的定量预测分析较少,同时未考虑多因素耦合对管片上浮的影响。以更加直观的管片上浮量预测值对施工进行指导,既能提高技术人员判断效率,又能极大的降低技术人员门槛,对于盾构隧道管片上浮控制具有重要意义。近年来随着工业信息化和数据化的发展,机器学习方法已经广泛的应用于盾构掘进引起的地表沉降预测、掘进速率预测、围岩环境等隧道工程领域研究,但由于测量成本较高、数据精度较差等原因,将机器学习应用于管片上浮预测的相关研究迟迟未能展开。基于以上背景,本文采用机器学习的方法对管片上浮问题进行研究,对机器学习方法应用于管片上浮问题的可行性和功能性进行了探索。本文的主要研究工作如下:（1）制作了盾构管片上浮机器学习数据集,并进行了特征工程。对测量段的管片展开连续测量并收集数据,采用机理分析和统计分析相结合的方法对管片上浮的影响因素进行特征提取,同时对上浮测量数据集进行数据预处理工作。（2）提出一种区域性地层参数的降维处理方法。通过对测量段土层的区域划分将土层参数数据化,并采用主成分分析法将地层参数降维。降维后的地层参数从16个特征减少为2个特征,同时保留了原地层参数92.9%的信息。（3）对比了三种不同特征选择算法在管片上浮中的应用效果。包括相关性分析法、基于RFE的Wrapper包装法以及R-reliefF算法,并通过随机森林算法对特征选择的结果进行评价。研究表明,基于R-reliefF算法的特征选择方法所选择的特征能使随机森林算法取得更好的预测效果。（4）采用XGBoost算法对本文机器学习模型进行了优化,对管片上浮量进行了预测,并与随机森林算法预测结果进行了对比。结果表明,XGBoost算法对于管片上浮过程量的预测效果比随机森林算法更好。（5）采用XGBoost算法对管片上浮过程量数据集中的缺失值进行填补,并通过实测值对比以及上浮行为描述对填补效果进行分析。研究表明采用机器学习的方法能够对管片上浮测量过程中的缺失值部分进行有效的填补。