在现代隧道施工领域，全断面隧道掘进机（TBM）技术的应用越来越广泛，但同时对掘进参数预测的准确性和适应性提出了更高的要求。掘进参数的调整与地质条件的预测密切相关，然而地质条件复杂多变，提前准确预测非常困难。因此，研究如何基于现场监测数据来预测TBM的关键掘进参数，如刀盘扭矩和总推力，对于实现TBM的高效、安全掘进具有重要意义。
本文提出了一种基于深度学习的方法，特别是长短时记忆网络（LSTM），用于预测TBM的掘进参数。LSTM是一种特殊的循环神经网络（RNN），它通过引入门控机制有效地解决了传统RNN在处理长期依赖问题上的不足。由于TBM掘进循环的上升段是岩体相互作用的重要阶段，这一阶段的参数逐渐增大并趋向稳定值，这为模型预测提供了重要的时间序列信息。
文章采用吉林引松供水工程标段的实测数据，结合LSTM建立预测模型，结果表明该模型能够准确预测稳定段的总推力和刀盘扭矩，预测精度分别达到了91%和89%，相比传统的随机森林模型具有更高的预测能力。这表明深度学习模型能够更好地处理和学习时间序列数据，尤其在预测掘进参数方面表现出了优势。
文章详细介绍了研究背景、方法和结果，对比了不同预测方法的优劣，如经验公式法、理论分析法、数值模拟法和机器学习法等。这些方法各有侧重，但普遍存在参数限制、时效性不足或无法全面利用数据等问题。机器学习法，特别是深度学习方法，为掘进参数预测提供了一个新的研究方向，能够处理大量的历史数据，并对岩体与TBM之间的相互作用有更全面的反映。
通过对实际工程数据的分析，证明了基于LSTM的掘进参数预测模型在实时性和准确性方面均优于其他模型。在处理掘进数据的时间相关性方面，LSTM显示出优越的长期预测能力，能够较好地模拟TBM掘进过程中各参数的变化趋势，间接反映岩体状态的变化。
文章基于深度学习的TBM掘进参数预测研究，为现代隧道工程施工提供了新的技术手段，尤其是在解决掘进参数预测的难题上开辟了新的研究途径。随着深度学习技术的进一步发展和在实际工程中的应用，将有助于实现TBM掘进的智能化、自动化控制，提高工程效率和安全性。
