摘要
TBM掘进过程中，由于掌子面前方的岩体条件复杂多样，现场不能及时获
取相关岩体信息，导致整个掘进过程未知且难以预料。当TBM设备处于工作状
态时，各个机器参数的动态调整在很大程度上依赖于操控人员对掘进前方岩体信
息的掌握程度。在突遇不良地质时，因TBM掘进参数调整不及时或不合理，导
致TBM的破岩效率大大降低，且使刀盘发生异常磨损、开裂等现象。针对以上
问题及需求，本文研究工作如下：
首先，本文基于深度智能算法对TBM掘进性能展开预测研究。利用具有处
理能力高效、时序数据挖掘功能强大、梯度稳定、预测精度较高的时间卷积神经
网络（TCN）分别建立掘进速度和岩体可钻性指数预测模型。发现TCN预测模
型不仅在掘进速度和岩体可钻性指数初始数据处于平稳阶段展现出较高的预测
精度，且当掘进速度和岩体可钻性指数初始数据存在一定幅度的波动时，TCN预
测模型仍能突显出很好的拟合效果，弥补了传统的决策树回归模型（DT）在数据
发生较大幅度振荡时预测结果易产生较大偏差的不足。同时，针对TBM推力数
值偏大、复杂程度较高等问题，本文还引入了比较前沿且具备计算速度快、完备
性高、分解效果好的完全自适应噪声集合经验模态分解（CEEMDAN）技术，解
决了传统的EMD、EEMD分解方法存在有用信号消失和模态混叠的问题。并将
CEEMDAN分解技术与TCN网络算法结合，构建了一种基于CEEMDAN-TCN
组合算法的推力预测模型，并验证了该组合模型的预测效果比EMD-TCN、
EEMD-TCN、DT三种预测模型更好。
其次，本文提出一种基于CEEMDAN-TCN组合算法的预测模型对隧道掌子
面前方围岩类别进行预测。以榕江关埠引水工程的地质报告中各级围岩对应的物
理力学指标均值为基础，利用Akima插值法将缺失的岩体力学信息补全，建立
0~19693m区段下完整的岩体信息数据库。基于CEEMDAN-TCN组合预测模型
对围岩等级进行识别预测，并将该组合模型的预测结果分别与EMD-TCN、TCN、
随机森林（RF）三种预测模型进行对比，证明了CEEMDAN-TCN组合预测模型
在围岩识别领域的优越性。
最后，基于前面围岩的预测结果，结合TBM的工作适用性，本文利用Paris
公式建立了刀盘裂纹扩展模型，运用XFEM方法动态模拟刀盘裂纹扩展过程。
通过Abaqus仿真软件，模拟了不同围岩等级下刀盘的裂纹扩展情况。同时，基
于CSM预测模型，通过改变岩石与滚刀间的接触角度，对不同角度下刀盘的裂
纹扩展情况进行分析。结果显示：一定循环次数下，围岩质量越高，对应的裂纹
I
扩展面积越大；同时，依据CSM理论发现，岩体与滚刀之间的接触角越大，裂
纹扩展面积的增幅越大。
研究成果对TBM施工中掘进参数的动态调整、刀盘的重点检测部位和维修
周期的合理安排提供了理论依据，具有一定的工程实用价值和指导价值。
关键词：TBM；围岩等级预测；性能预测；智能模型；裂纹扩展
II
ABSTRACT
IntheprocessofTBMtunneling,becausetherockmassconditionsinfrontofthe
tunnelfacearecomplexanddiverse,therelevantrockmassinformationcannotbe
obtainedintime,whichleadstothewholetunnelingprocessisunknownand
unpredictable.WhentheTBMequipmentisinworkingstate,thedynamicadjustment
ofeachmachineparameterdependslargelyonmasteryoftheoperatoroftherockmass
informationinfrontofthetunneli