（1）基于TOPSIS优劣解距离法，采用5种岩体参数对TBM隧道的岩体可掘性等级进行准确划分。然后采用TBM掘进性能参数对所提出的岩体可掘性等级进行感知识别。感知识别过程中，采用贝叶斯优化算法对6种机器学习分类算法进行超参数优化，并对比常用机器学习模型优化后在岩体可掘性等级感知识别问题中的适用性，确定最优分类识别模型。最后采用吉林省引松供水工程对分级及感知识别方法的有效性进行验证。上述岩体可掘性分级和感知识别结果将作为岩体条件判定标准进行TBM滚刀寿命预测和控制参数优化决策。

（2）基于TBM掘进岩-机互馈响应机制，通过数据挖掘技术，提出以TBM关键掘进参数为输入特征的岩-机映射关系构建方法，对TBM岩体感知特征中隐含的岩体条件进行挖掘，建立了TBM隧道岩体条件感知-识别模型，实现岩体条件实时预测。

 (3)基于TBM隧道岩体条件感知-识别模型构建不同岩体条件下的控制参数约束，据此划定TBM刀盘转速和贯入度的优化可行域，然后以效率、成本和安全作为多元优化目标，采用加权叠加的方式将三者整合为控制参数优化模型的目标函数，最终以控制参数可行域作为约束条件，采用动态最优化匹配算法对目标函数在约束条件范围内进行全局寻优，形成掘进控制参数随岩体条件变化的自适应智能决策方法，该方法既能满足TBM掘进参数安全需求，又能使得TBM的效率和成本在不同岩体条件下相对最优。