来源：期刊VIP网 时间：
作者：戴明健;焦玉勇;裴成元;贾运甫;梁峰;张鹏;
单位：中国地质大学(武汉)工程学院;新疆水发建设集团有限公司;新疆水利水电勘测设计研究院有限公司;
摘要：硬岩隧道掘进机（TBM）在现今隧洞建设中的应用日益广泛，但是TBM深埋于地下，对地下围岩状况和掘进参数的感知能力不高，精准预测掘进参数和围岩等级对于保证TBM掘进安全具有重要意义。基于新疆某引水工程的TBM现场掘进参数和隧洞围岩地质数据，选择TBM掘进稳定段的推力、扭矩、转速、净掘进速度、施工速度、开挖比能作为模型输入参数，建立了卷积神经网络优化的长短时时序-自适应提升（CNN-LSTM-Adaboost）模型，预测各等级围岩条件下的掘进参数，并依据掘进参数数据集训练模型预测了隧洞围岩等级。结果表明：CNNLSTM-Adaboost模型具有较高的预测精度，大部分数据的预测相对误差率（Er）在10%以内，均方根误差（RMSE）在5以内，平均绝对百分比误差（MAPE）在10%以内，拟合优度（R~2）在0.9以上；同时，CNN-LSTM-Adaboost模型对基于掘进参数对隧洞围岩等级的识别准确率较高，综合准确率（ACC）达90%，可以应用于指导工程实践。
关键词：硬岩隧道掘进机(TBM);;掘进参数;;掘进安全;;CNN-LSTM-Adaboost模型;;围岩等级
基金资助：国家自然科学基金重点项目（41920104007）
