为了缓解城市化进程带来的交通压力,地铁建设已经称为盾构机最重要的应用场景之一。在实际的盾构掘进项目中,盾构机掘进参数的控制在很大程度上依赖于操作者的经验。如何使用之前多年积累的盾构掘进历史数据,确认各个参数间的关系,量化盾构机掘进参数的控制,成为一个亟待解决的问题。本文以南京长江隧道为工程实例,结合大数据分析流程,通过预处理、趋势统计、离散统计、回归分析和机器学习建模等对盾构机掘进参数进行研究,以确定各个参数之间的关系和各个地层的最优预测模型。本文的研究过程和结论如下:(1)本文设计的盾构机掘进参数辅助分析系统能帮助数据分析人员更加快捷地完成盾构机掘进参数的分析任务。(2)由平均值、标准差、变异系数和箱形图的统计分析可知,刀盘转速、贯入度和掘进速度三者在盾构机掘进时的变化趋势基本一致,并且这三个参数对含有砾砂和圆砾的地层十分敏感。总推力和泥水压力二者的变化趋势在各个地层基本一致。在项目的起始段和到达段,各个参数的离散程度明显偏大。(3)由盾构机掘进参数的一元回归分析和多元线性回归分析可知,一元回归公式在拟合优度较好的情况向下,预测能力很差,这种现象主要是由过拟合造成的。多元回归公式在拟合优度较好的情况下,预测能力较好,本文认为多元回归分析在盾构机掘进参数分析中应用效果更好。由盾构机掘进参数的多元线性回归分析的结果可知,掘进速度主要受刀盘转速和贯入度二者的影响,泥水压力、刀盘扭矩和总推力对掘进速度的影响较小。(4)本文使用机器学习算法中的K近邻算法、CART回归树、随机森林和BP神经网络分别对盾构机掘进参数进行建模分析,结合多元线性回归模型为各个地层选择最优模型。