随着我国人口和经济的不断增长,现如今,城市的交通压力越来越大。立体交通建设逐渐成为缓解交通压力的有效措施。而地下隧道交通作为立体交通的重要组成部分,越来越多的城市开始大力发展地下交通。在地下交通的建设过程中,盾构机的使用加快了隧道建设。在我国已完成的诸多隧道建设项目中,虽然记录了大量的盾构机历史施工数据,但是如何利用这些数据来分析掘进参数和地层之间的关系,以及优化它们之间的参数,使施工更加高效是一个值得研究的问题。文本依托南京长江隧道的历史盾构机掘进参数数据进行分析,对掘进参数进行预处理,统计掘进参数的分布规律、变化趋势,分析参数之间的关联性;使用深度学习的算法进行参数预测,并对掘进参数进行优化。本文的研究过程以及结论如下:(1)使用箱型图方法对掘进参数去异常值处理;以数理统计的方法统计出掘进参数在不同地层之间的特征值以及分布规律;根据掘进参数在整个工程上的变化趋势分析出掘进参数变化的原因;总结出掘进参数合理的控制范围。根据以上研究得出掘进参数在工程到达段离散程度较大,在整个趋势变化图中掘进速度和贯入度变化趋势大致一致,掘进速度、贯入度、刀盘转速这三个掘进参数受含有砾石、圆砾成分的地层变化较为明显。(2)通过相关系数统计方法,确定掘进参数两两之间具体的相关系数,并对相关性较高的掘进参数进行一元回归分析;分析比推力与比扭矩的关系,根据它们关系判断盾构机的状态和当前地质情况;对掘进速度进行多元线性回归分析。通过相关性分析,分析出贯入度和掘进速度在各个地层有较强的关联性,并且在多元线性回归分析中探究出刀盘转速和贯入度对掘进速度影响较大。分析比扭矩与比推力之间的关系,该关系可以断出此时盾构机状态和当前地质状况,通过对比掘进速度的总体变化趋势,证明了该方法的可行性。(3)使用粒子群寻优方法对掘进参数进行了优化,寻找最佳掘进参数组合来降低盾构机能量消耗;分别运用LSTM神经网络和BP神经网络这两种算法进行掘进参数的预测,并将两种算法所预测的结果进行了对比,对比结果表明BP神经网络相比LSTM神经网络的MAPE值和RMSE值分别平均提高了19.26%和30.25%,说明后者要比前者预测掘进参数更加准确。