随着全断面硬岩掘进机(TBM)在煤矿巷道掘进施工中的广泛应用，地层信息的准确、实时识别已成为保证掘进效率的关键因素。为了研究掘进参数与地层岩性的相互作用关系，以西北矿业高家堡煤矿西区开拓大巷为工程背景，通过对稳定阶段掘进参数的深入分析，建立地层岩性与关键掘进参数之间的“机-岩”感知关系，提出基于数据驱动的TBM掘进地层岩性识别的Stacking集成预测算法，确定与地层岩性预测相关的主要输入特征参数，包括推进速度v、刀盘转速n、刀盘推力F、刀盘扭矩T和贯入度P。训练结果表明，Stacking预测模型在5个输入参数的平衡精度和训练时间下均获得了最佳性能；预测模型多元评价结果显示，Stacking模型的AUC曲线面积指数为0.97,比单一的XGBoost, ANN和SVM模型(0.94,0.94,0.95)预测精度更高，且在处理不均衡数据预测表现出明显的优势。因此，基于本研究的预测模型可以很好地指导现场TBM掘进参数的调整，可有效减少TBM故障停机和刀头的磨损，提高掘进效率。

山东能源科技计划重大项目(SNKJ2022A15)；国家自然科学基金项目(52074209)；陕西省自然科学基础研究计划联合基金项目(2021JLM-06)；

1 工程背景
1.1 工程概况
1.2 TBM主要技术参数
2 数据集构建与分析
2.1 TBM掘进参数选取
2.2 掘进参数预处理
2.2.1 非掘进阶段数据
2.2.2 异常数据处理
2.2.3 启停阶段数据
2.3 掘进参数分析
2.3.1 推进速度
2.3.2 刀盘转速
2.3.3 刀盘推力
2.3.4 刀盘扭矩
2.3.5 贯入度
3 基于Stacking的S-A-X算法
3.1 Stacking集成算法
3.2 基、元学习器优选
3.2.1 XGBoost算法
3.2.2 ANN算法
3.2.3 SVM算法
3.3 Stacking融合模型构建
3.3.1 数据集划分
3.3.2 基学习器预测
3.3.3 元学习器预测
3.3.4 模型验证
4 基于S-A-X模型的地层岩性识别
4.1 模型训练
4.2 评价指标
4.3 模型预测性能验证分析
5 结 论

[1]丁自伟,高成登,张玲,等.基于数据驱动的TBM掘进地层岩性识别预测方法[J].采矿与安全工程学报,2025,42(01):147-160.