为了提高交通水利和深部煤矿工程中的TBM智能化施工和灾害预测的能力，提出了一种结合卷积神经网络（CNN）和长短时记忆神经网络（LSTM）优势的CNN-LSTM模型，依托引汉济渭工程，预测TBM隧道稳定段掘进参数和岩爆等级。此外，对TBM数据进行清洗和预处理，根据桩号将TBM数据、地质参数和岩爆等级匹配，基于灰色关联分析筛选出合理的预测指标，合理选择CNN-LSTM模型的超参数以获得较好的预测结果，并与其它模型的预测结果进行比较分析。研究结果表明：对于TBM隧道稳定阶段的掘进参数推力F、贯入度P和扭矩M，CNN-LSTM模型的预测误差MAE、MAPE和RMSE明显小于其它模型且较稳定。其中，扭矩M的预测效果最好，推力F的预测效果次之，贯入度P的预测效果最差；随着岩爆等级的增加，刀盘和刀具受到严重冲击，不同模型对于以上掘进参数的预测效果变差，但CNN-LSTM模型的预测结果均在有效范围内且具有较高的鲁棒性；CNN-LSTM模型预测TBM隧道的岩爆等级的准确率A、精确率P和召回率R明显高于其它模型，准确率A、宏观精确率P和宏观召回率R分别达到98.17%、97.73%和98.58%；根据模型的敏感性分析可知，CNN-LSTM模型对于相同容量的不同岩爆样本敏感性较高，具有较高的鲁棒性，明显优于其它模型。综上，CNN-LSTM模型对于TBM隧道的掘进参数及岩爆等级的预测具有可行性和有效性。

0 引言
1 灰色关联分析和CNN-LSTM模型
1.1 灰色关联分析
1.2 卷积神经网络（CNN）
1.3 长短时记忆神经网络（LSTM）
1.4 CNN-LSTM模型
1.5 模型评价指标
2 工程实例验证
2.1 工程概况
2.2 数据预处理和清洗
2.3 预测指标选取
3 预测结果分析
3.1 TBM隧道掘进参数的预测结果分析
3.2 TBM隧道岩爆等级的预测结果分析
3.3 TBM隧道岩爆等级预测的模型敏感性分析
4 结论

满轲,武立文,刘晓丽等.基于CNN-LSTM模型的TBM隧道掘进参数及岩爆等级预测[J/OL].煤炭科学技术:1-19[2023-10-27].http://kns.cnki.net/kcms/detail/11.2402.TD.20231026.1344.003.html