全断面隧道掘进机(TBM)是电机和液压马达推进刀盘,滚刀挤压岩石,支护和出渣同时进行,隧洞全断面一次成型的地下掘进工程设备。TBM掘进过程中,TBM操作参数的设定仍处于人工控制阶段,操作人员对参数设置的不合理,导致TBM推进速度过慢处于非最优掘进状态。基于加快工程进度、降低工程投入成本、提高智能化程度目的。TBM操作参数优化决策问题成为了隧道工程智能化掘进研究热点问题之一。本文以吉林省引松供水工程现场实测数据为依托项目,集成梯度提升决策树、随机森林、遗传算法等算法,构建以TBM推进速度为优化目标的TBM操作参数优化决策模型辅助操作人员决策,建立TBM智能化掘进系统。本文主要研究工作如下:1)基于图表分析法研究了TBM掘进参数、围岩等级、TBM推进速度间的关系。得出围岩等级、TBM推进速度与TBM掘进参数间为复杂非线性关系结论,为后续模型建立指明方向。2)基于状态判别函数,从原始数据中提取TBM运行数据,并对运行数据进行数据预处理。采用梯度提升树算法构建围岩等级预测模型,围岩等级预测精度达99.8%。集成神经网络和随机森林算法构建TBM推进速度预测模型,TBM推进速度预测平均绝对误差为10.2%。基于以上模型,以围岩等级预测模型结果为输入参数,TBM推进速度预测模型结果为优化目标,遗传算法为智能搜索算法,构建以推进速度为优化目标的TBM操作参数优化决策模型。该模型能在1.5s内输出最优操作参数组合。3)基于LSTM神经网络算法构建TBM位姿超前预测模型,模型以实时掘进点前一段数据为输入,预测掘进点后位姿变化,以便操作人员提前预知位姿变化,做好相关措施,避免出现蛇形隧道。