硬岩隧道掘进机(The Hard Rock Tunnel Boring Machine，简称TBM)是实现硬岩开挖、岩渣运输、换步推进和支撑衬砌等的隧道断面一次成型的大型地下工程装备。TBM施工面临的安全高效掘进与智能控制问题，成为隧道工程领域的重大技术挑战和前沿热点问题之一。国内外对隧道掘进机智能化模型的研究成果主要集中在用于软土地层开挖的盾构机，对硬岩隧道掘进机的研究相对较少，并且，国内对硬岩隧道掘进机的自主研发相对较晚，岩机作用关系尚不明确，优化决策理论并不成熟，围岩地质信息大量获取难度太高，施工人员无法准确依据当前地质情况操作TBM，无法使TBM工作于最优掘进状态。故有必要以搞清楚岩机作用关系为前提，开展TBM掘进载荷预测模型、围岩地质智能识别系统和TBM优化决策理论的研究。　　本课题在国家重点基础研究计划(973)项目的资助下，以吉林引松供水施工工程TBM3标段现场掘进数据为基础，分析得到了TBM操作参数、围岩类别和掘进载荷间的关系，建立了基于非线性支持向量回归和序列最小最优化算法的TBM载荷预测模型，并通过现场数据进行训练、测试和修正模型，结合TBM载荷预测模型和改进的粒子群优化算法，分别建立了以掘进比能和掘进工期为决策的操作参数优化模型。根据TBM非稳定掘进状态的掘进载荷与切深的拟合关系，建立了TBM围岩类别智能识别系统。根据掘进载荷预测模型、优化决策理论和围岩识别系统，提出了TBM智能掘进优化决策闭环系统。　　本文主要研究工作如下:　　第一章介绍了国内外TBM技术的发展历史和现状，总结了发展特点和发展规划。然后根据本文研究内容阐述了TBM掘进载荷、优化决策理论以及围岩识别方法的研究现状，介绍了TBM实际工程中存在的问题，分析了TBM的研究需求和已有研究的不足，最后阐述了本文所做研究的意义和主要研究内容。　　第二章介绍了吉林引松供水工程及其数据库系统，分析了掘进载荷与掘进参数的相关联程度，阐述了掘进参数选择的理由，进行了掘进数据和操作参数的预处理，提取了用于研究参数关系的特征点集，最后，使用图表分析法研究所选操作参数与掘进载荷的具体变化关系。得出在硬岩地质条件下，掘进载荷主要受推进速度影响，在软岩地质条件下，掘进载荷主要受刀盘转速影响的结论，即在硬岩地质条件下得到较大的掘进载荷，主要调节推进速度，在软岩地质条件下，则主要调节刀盘转速。定性描述了掘进载荷和操作参数的作用关系，为第三章进一步研究其间的定量关系指明了方向。　　第三章提出了TBM掘进载荷的非线性支持向量回归(NSVR)预测模型，并使用序列最小最优化算法加速算法求解速度。结合第二章中处理的施工现场掘进大量数据，按1∶1划分训练样本和测试样本，对建立的模型进行训练、测试和调整。测试结果表明，在给定刀盘转速、推进速度和围岩类别条件下，建立的模型对刀盘扭矩和总推进力的预测平均误差均控制在13.1％以下，建立的NSVR模型具有较高的预测精度，能够应用于第四章掘进优化决策理论模型。　　第四章总结了决策目标优化方法，推导了关于掘进比能和操作参数、掘进工期和操作参数的函数关系，引入第三章建立的掘进载荷的NSVR掘进载荷预测模型，结合针对本工程的改进粒子群优化算法，提出了能耗最小和掘进工期最短的决策来指导操作参数的优化，给出了两种优化决策理论的计算流程图以及算法伪代码。最后，应用建立的优化决策理论给出了针对不同地质条件下的分别以最小掘进比能和最快掘进速度为决策的最优操作参数结果。　　第五章以二值状态判别函数为依据提取了掘进循环数据，使用非线性回归拟合总推进力和刀盘切深在TBM非稳定掘进状态下的关系，使用线性回归拟合刀盘扭矩和刀盘切深在TBM非稳定掘进状态下的关系，得到了多组TBM非稳定掘进状态下掘进载荷与切深的拟合曲线和拟合参数值。分析拟合曲线和拟合参数值与围岩类别的关系，发现不同的围岩地质对应曲线的分布具有区域性，拟合参数值出现聚类现象。以拟合参数聚类边界建立了围岩类别划分线，得到基于拟合参数的围岩边界判别方程。基于此，建立了围岩类别智能识别系统，通过拟合非稳定状态数据得到拟合参数值，进而根据拟合参数和围岩边界判别方程得出当前地质的围岩类别。最后，根据NSVR掘进载荷预测模型、优化决策理论和围岩识别系统，初步建立了TBM智能掘进优化决策闭环系统。　　第六章，对本论文的工作进行了总结，并对下一步的工作进行了展望。