为研究全断面掘进机(TBM)掘进参数与煤系地层岩体力学参数之间的互馈关系，准确、实时预测巷道围岩强度特征，基于TBM掘进过程中的现场监测，通过岩-机互馈关系分析，确定模型的输入特征参数，并建立了对应的数据库；将梯度提升决策树(GBDT)、随机森林(RF)、支持向量回归(SVR)3种机器学习算法作为基学习器，线性回归(LR)算法作为元学习器，提出了一种基于Stacking集成算法的预测模型，并对比分析了Stacking集成算法与单一机器学习算法模型的预测性能。结果表明：二值判别与箱线图可有效对原始数据进行预处理；模型的主要输入特征参数为刀盘推力F、刀盘扭矩T、贯入度FPI、刀盘转速RPM、刀盘振动加速度A;Stacking模型在测试集上的拟合优度可达0.976,而均方误差、平均绝对误差、平均绝对百分误差分别仅有0.031,0.148和0.092,与其他3种模型相比，其拟合优度最高，误差指标数值最小，集成模型具有更高的预测精度，能够有效地预测煤矿TBM掘进巷道围岩点荷载强度。研究验证了Stacking模型的准确性，可为煤矿TBM掘进参数控制和巷道支护参数调整提供科学的参考依据。

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)；

0 引 言
1 岩-机互馈关系数据库的建立
1.1 工程概况
1.2 原始数据获取
1.2.1 掘进机运行状态数据采集
1.2.2 刀盘振动加速度数据采集
1.2.3 围岩点荷载强度数据采集
1.3 数据预处理及数据库的建立
1.3.1 循环数据提取及异常值处理
1.3.2 特征选择
1.3.3 数据归一化
1.3.4 岩-机互馈关系数据库
2 基于Stacking算法的围岩强度预测模型
2.1 算法原理
2.2 模型的建立
2.2.1 基学习器选取
2.2.2 元学习器选取
2.3 评估标准
3 算例分析
3.1 模型训练
3.1.1 数据划分
3.1.2 超参数选取
3.2 预测结果评估
3.3 模型对比
4 结 论

[1]丁自伟,高成登,景博宇,等.基于机器学习的煤系地层TBM掘进巷道围岩强度预测[J].西安科技大学学报,2025,45(01):49-60.