在全断面隧道掘进机（Full face tunnel boring machine，TBM）施工中，由于地质环境、人员操作和设备自身等因素的影响，容易导致TBM掘进路线与设计轴线发生较大偏离。特别是在小转弯隧道中，TBM掘进方位和姿态的控制更加困难。为了解决这个问题，本文提出了一种基于深度长短时记忆（Long Short-Term Memory，LSTM）神经网络的TBM掘进轴线偏差预测方法。该模型利用MATLAB软件进行搭建，以TBM掘进时产生的历史掘进参数作为输入数据，对未来时刻TBM的掘进轴线偏差进行预测。首先，对数据进行预处理，包括二值判别函数等方法，并利用皮尔逊分析方法选取出24维掘进参数作为预测模型的输入。以水平偏差为例，预测TBM掘进轴线偏差。然后，对模型的不同结构进行了分析，选择不同的LSTM层数和不同的神经元数量组成新的模型结构，确定了最优的模型结构和不同预测时间的最优输入时间段。最后，将R100m转弯段的掘进数据作为测试集，输入训练完成后的模型进行模型验证。结果表明：当模型中LSTM层为2层、每层神经元数量为128个时组成的模型结构预测性能最优，预测时长为1min时，模型最优的拟合优度为0.969、平均绝对误差为1.506mm、均方根误差为2.412mm，实现了良好的预测效果。通过这种方法，可以帮助操作人员预知TBM掘进轴线偏差情况，提前调整TBM姿态，避免TBM隧道轴线出现较大的施工偏差，提高隧道施工的精度和安全性。

1 TBM掘进位姿预测模型
1.1 传统RNN神经网络原理
1.2 LSTM神经网络原理
1.3 TBM位姿预测模型建立
2 数据处理与模型训练
2.1 工程概况
2.2 数据提取与清洗
2.3 特征参数选择
2.4 模型训练及评估
3 模型结果分析与讨论
3.1 模型结构分析确定
3.2 预测时长的影响
3.3 工程验证
4 结论