全断面硬岩隧道掘进机(Tunnel Boring Machine,TBM)是一种系统化、智能化、工厂化的高效能隧洞开挖施工机械,适用于长距离隧洞的施工,可完成开挖掘进、岩渣运输、通风排尘、导向控制、支护衬砌、风水电及材料等供应等工序。其中掘进载荷的大小对TBM的结构设计、刀盘刀具寿命、施工成本的控制,掘进参数的选择有重要的指导意义,故在掘进过程中预测掘进载荷显得十分重要。现有的载荷预测有经验理论公式、刀具破岩理论、载荷等效建模方法,进行载荷模型的建立,以实现载荷预测。但忽略了TBM施工过程中现场所记录数据包含的价值信息,以及缺少基于数据分析建立掘进载荷模型的方法。故有必要挖掘施工数据包含的价值信息,并基于数据建立高精度的载荷预测模型。本文以单一的敞开式单对水平支撑TBM为研究对象,采用数据驱动方法建立掘进载荷预测模型,研究了不同建模区间的模型预测性能以及参与建模的参数敏感度,比较不同参数参与下的载荷预测模型精度,得到高精度载荷预测模型,并与实测结果对比验证模型预测的有效性,为降低模型输入参数的维度及提升载荷模型预测精度提供基础理论和建模思路。本文的主要研究如下:(1)利用代理模型技术和重要参数识别技术相结合,建立不同掘进段对应的载荷模型,对比不同模型对同一预测段的预测效果,确定最优模型;分析建立不同载荷预测模型的方法,通过增加建模段的样本数据,建立具有持续预测载荷能力和高精度的预测载荷模型,实现预测掘进载荷的目的。(2)多维度参数建立掘进载荷模型和参数重要性的分析研究。基于上述建模过程的分析,增加模型的输入维度和增加建模的数据样本;采用机器学习方法,建立适应多种地质类型的载荷预测模型,进一步,分析基于模型的参数重要性,通过设置参数重要性阈值,分析对应不同阈值下的载荷模型精度,识别参与建模参数中影响较大的参数,为后续模型的调整和提高建模效率提供参考。(3)基于kriging模型识别掘进载荷关键参数的研究。对数据样本的参数进行分析,得到影响掘进载荷对应的参数系数值,并将其转化为参数权重占比,实现对影响掘进载荷参数的识别。利用测试函数,采用Sobol灵敏度分析法得到测试函数输入参数的总灵敏度,同时对测试函数采用基于kriging模型参数系数分析方法得到对应的参数的权重占比,对比两者结果,验证方法的正确性。