盾构隧道掘进机器性能和刀具磨损的预测是一个非线性和多变量的复杂问题。为解决这个问题,本研究旨在:i)建立确定隧道掘进机性能的智能分析框架,ii)预测隧道掘进过程中的机器性能(即盾构掘进效率和盾构切入速率),iii)建立预测盾构刀盘寿命的智能化统计模型,iv)分析隧道施工过程中每个参数的作用效应,特征和影响因素。研究过程中,应用统计分析,机器学习技术,智能分析和现场实测数据验证等手段研究这一系列问题。首先,通过确定隧道掘进过程性能预测中最有效的参数,提出盾构掘进效率和盾构切入速率的新预测模型;然后,建立盾构刀盘寿命的智能化新模型来预测刀盘寿命;为了获得更为可靠的施工操作,基于地层力学参数与盾构施工参数两个方面,提出一种智能分析方法;最后,讨论分析盾构刀盘寿命预测中最重要影响参数的作用,确定预测模型。研究的创新成果总结如下:(1)提出了新的机器学习模型预测盾构机的掘进效率提出的机器学习模型集成了改进的粒子群优化(PSO)合法自适应神经模糊推理系统(ANFIS)在一起。提出的改进模型组合了基于模糊规则的系统和PSO算法,可以同时调整先行变量和后续变量。提出的模型与当前广泛使用模型,如神经网络、模糊逻辑、ANFIS和经验模型等相比,该模型在预测盾构机的掘进效率上具有更高的准确性。(2)提出了多目标优化模型预测盾构切入速率。提出的多目标优化模型集成了自适应神经模糊推理系统(ANFIS)与遗传算法(GA)。GA应用多目标适应度函数来提高运行时ANFIS进行参数调整的准确性。计算结果表明,在预测盾构机切入速率时,多目标优化模型预测结果的准确率高于ANFIS模型的预测结果。(3)提出了一种预测盾构刀盘寿命的分析模型提出了一种经验模型来预测盾构刀盘滚刀的寿命。提出的模型可以考虑地层力学参数与盾构施工参数两个方面对施工操作的影响。与以前的模型相比,所提出的经验模型可以提供一种合理可靠的方法,快速评估预测盾构刀盘滚刀寿命的影响因素,并可以确定可接受的精度范围。(4)建立了一个智能方法预测盾构滚刀寿命智能模型集成了数据处理多项式神经网络(GMDH)的群组方法与遗传算法(GA)相结合。GA用于优化GMDH的最合适的网络结构,使每个神经元能够搜索前一层的最佳连接集。虽然经验模型和智能模型都可用于滚刀寿命的估算,但智能GMDH-GA模型能够提供更高的准确度。此外,分析确定了隧道掘进过程中盾构滚刀寿命中最重要的影响因素。结果表明,盾构机的切入速率是影响盾构滚刀寿命的最重要的参数;因此,。(5)现场施工案例验证应用如下两个案例分析验证研究成果:其一为广州地铁9号线马鞍山公园站-莲塘村站区间隧道工程,其二为穗莞深城际铁路项目宝安机场下穿隧道。从两个现场实际案例收集了现场实测数据,室内试验参数和文献信息的数据,输入到提出的模型并进行了计算分析。结果表明,提出的模型可以有效地确定隧道机的掘进性状和预测盾构滚刀的寿命。最后,研究成果表明,使用不同的新型机器学习技术预测TBM性能、盾构滚刀寿命,可以提高TBM现场操作的状态与性能。