土压平衡盾构掘进会对周围地层产生扰动,影响隧道周围建筑物和构筑物的使用性能和结构安全,隧道几何参数、掘进参数以及地质参数都会影响扰动的程度,但现有的理论和模型难以综合考虑这些因素的共同作用并准确地预测出地层响应。本研究针对以上问题,基于机器学习算法构建盾构掘进引起的地层沉降特性预测模型,为实时预测盾构掘进引起的地层响应以及降低风险提供了一种新思路。本研究的主要成果如下:(1)建立地表沉降及其影响因素的数据库:影响因素考虑隧道几何参数、掘进参数、地质参数以及停机的异常工况,提出地质参数量化新方法,输出参数考虑地表沉降最大值和沉降槽宽度。通过评价不同参数对地表沉降的影响程度,进而选择对地表沉降影响最明显的参数作为模型的输入参数。结果表明:提出的地质参数量化方法可以综合考虑岩土层的物理力学性质以及深度和厚度的几何特性。隧道几何参数(隧道埋深),盾构机掘进参数(推力、扭矩、土仓压力、贯入度和注浆量),地质参数(地下水深度、掌子面岩土体类型、修正标贯次数、修正动探次数以及修正的单轴抗压强度),异常工况(停机),这12个参数对地表沉降的影响显著,可以作为机器学习模型的输入参数预测地表沉降。(2)对比研究不同机器学习算法的沉降预测性能:基于选定的性能评价指标(平均绝对误差(MAE)、均方根误差(RMSE)和决定系数R~2),对比研究BP神经网络、小波神经网络、广义回归神经网络、极限学习机、支持向量机以及随机森林6种机器学习算法在预测盾构掘进引起的地表沉降问题上的性能差异,采用k折交叉验证的方法增强模型的鲁棒性。结果表明:BP神经网络的预测结果波动性较大,在部分监测点上失真严重。小波神经网络、广义回归神经网络、极限学习机和支持向量机3种算法不能准确地预测盾构掘进引起的地表沉降发展进程。随机森林算法的预测结果和实测沉降值基本一致,并且能够捕捉到盾构掘进引起的地表沉降发展趋势。(3)基于随机森林算法的预测沉降槽及识别沉降异常状态:最优的随机森林机器学习算法用于构建预测盾构掘进引起的地表最大沉降和地表横向沉降槽宽度预测模型,结合Peck公式预测盾构掘进引起的地表横向沉降槽形态。同时基于该算法建立盾构掘进引起的异常沉降识别模型(是否超过警戒值10 mm)。结果表明基于随机森林算法建立的模型能较为准确地预测出盾构掘进引起的地表横向沉降槽,并能识别出盾构掘进引起的地表沉降状态。(4)提出混合的启发式优化算法粒子群和随机森林算法建立盾构掘进一体化智能控制模型:通过收集工程中盾构掘进参数设置合理的数据(即地表沉降小于10 mm施工参数)建立数据库,用于构建盾构掘进参数预测模型。通过输入地质参数和隧道几何参数,该预测模型能在设计阶段给出合理的掘进参数建议值。当掘进参数建议值不能将沉降控制在10 mm之内时,混合算法则对掘进参数进行进一步优化,实现对地表沉降的控制。结果表明:基于预测的掘进参数产生的地表沉降大大小于基于实测的掘进参数产生的地表沉降,提出的混合算法能实现实时地、智能地、有效地控制盾构掘进过程。