| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-16页 |
| 1.2.1 TBM施工预测研究现状 | 第10-12页 |
| 1.2.2 TBM施工围岩分级研究现状 | 第12-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 研究方法 | 第17-19页 |
| 1.4.1 研究方法 | 第17-18页 |
| 1.4.2 技术路线 | 第18-19页 |
| 第二章 TBM掘进效率影响因素和评价指标 | 第19-26页 |
| 2.1 前言 | 第19-20页 |
| 2.2 TBM掘进影响因素 | 第20-22页 |
| 2.2.1 围岩条件 | 第20-21页 |
| 2.2.2 设备性能 | 第21-22页 |
| 2.3 TBM掘进效率指标 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于PSO-SVR的TBM掘进效率预测模型 | 第26-62页 |
| 3.1 前言 | 第26页 |
| 3.2 粒子群-支持向量回归（PSO-SVR）算法理论 | 第26-32页 |
| 3.2.1 统计学习理论 | 第26-27页 |
| 3.2.2 SVR算法理论 | 第27-30页 |
| 3.2.3 PSO算法理论 | 第30-31页 |
| 3.2.4 基于PSO的SVR参数优化选择 | 第31-32页 |
| 3.3 PSO-SVR模型 | 第32-52页 |
| 3.3.1 模型的训练数据 | 第32-42页 |
| 3.3.2 PSO-SVR模型的训练及测试 | 第42-47页 |
| 3.3.3 预测结果分析 | 第47-52页 |
| 3.4 常规理论模型预测 | 第52-59页 |
| 3.4.1 线性回归 | 第52-54页 |
| 3.4.2 非线性回归 | 第54-56页 |
| 3.4.3 BP神经网络模型 | 第56-59页 |
| 3.5 不同理论模型对比分析 | 第59-61页 |
| 3.6 本章小结 | 第61-62页 |
| 第四章 TBM施工围岩分级方法 | 第62-71页 |
| 4.1 前言 | 第62页 |
| 4.2 TBM施工围岩分级理论 | 第62-63页 |
| 4.3 基于掘进效率的TBM施工围岩分级 | 第63-69页 |
| 4.4 围岩分级方法对比分析 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 结论 | 第71页 |
| 展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 攻读学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80页 |