1.一种TBM隧道不良地质段智能支护决策方法，其特征在于，包括下列步骤：(1)建立TBM施工数据库：包括TBM运行数据库、隧道围岩数据库、岩渣数据库、支护方案数据库、隧道围岩收敛变形监测数据库；(2)建立预测、决策模型：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法，分析、挖掘TBM运行数据、隧道围岩数据、岩渣数据、支护结构数据、隧道围岩收敛变形监测数据的特征，利用机器学习算法建立不良地质段识别模型、不良地质段规模预测模型和支护方案智能决策模型；所述机器学习算法包括神经网络算法、多线程的极端梯度提升算法；步骤(2)中建立不良地质段识别模型及不良地质段规模预测模型的方法如下：S11：收集TBM已掘进段内的TBM运行数据、岩渣数据和隧道围岩数据；S12：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法，分析、挖掘TBM运行数据、岩渣数据和隧道围岩数据，找到围岩状况较好和存在不良地质段时相应的TBM运行数据、岩渣数据和隧道围岩数据特征；S13：建立不少于三层的神经网络识别预测模型，将TBM运行数据、岩渣数据和隧道围岩数据作为输入参数，得到一个输出参数，对神经网络识别预测模型进行训练和测试，其中不少于70％的TBM运行数据、岩渣数据和隧道围岩数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络识别预测模型；步骤(2)中建立支护方案智能决策模型的方法如下：S21：收集TBM已掘进段内隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据；S22：利用统计分析、回归分析、支持向量、主成分分析、聚类分析的方法，分析、挖掘隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据，找到围岩状况较好和存在不良地质段时相应的隧道围岩数据、支护方案数据和隧道围岩收敛变形监测数据特征；S23：建立不少于三层的神经网络决策模型，将上述隧道围岩数据作为输入参数，支护方案数据作为输出参数，对神经网络决策模型进行训练和测试，其中不少于70％的隧道围岩数据、支护方案数据作为训练集，余下数据作为测试集，以形成较稳定的神经网络决策模型；(3)应用预测、决策模型：实时采集分析TBM在掘进过程中的数据，根据TBM运行数据、岩渣数据，利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判；根据隧道围岩数据、支护结构数据和隧道围岩收敛变形监测数据，利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数，该支护方案及支护参数可实时显示在TBM控制端界面上；所述步骤(3)中利用不良地质段识别模型、不良地质段规模预测模型对当前TBM是否处于不良地质段进行识别预判的过程为：在一个掘进段内TBM边掘进边出渣，因而可实时获得一个数据集，包含这个掘进段内TBM运行数据、岩渣数据和隧道围岩数据，记为Q 1 ，利用不良地质段识别及规模预测模型分析数据集Q 1 的特征，若其特征与不良地质段不匹配，则在TBM控制端界面上显示“无不良地质段”；若与不良地质段相匹配，则在TBM控制端界面上显示“存在不良地质段，预计规模为S 1 ”；其中，TBM一边掘进一边出渣，岩渣几何尺寸、岩渣在一定范围的粒径比例和出渣量可反应TBM刀盘工作面岩石的状况，如TBM所处的围岩状况较好，工作面岩石完整，则岩渣呈现薄片状，且粒径分布相对集中，出渣量稳定；若TBM处于不良地质段，存在局部破碎区、断层、节理密集带时，岩渣中既有薄片状，又会有不规则块状，出现岩渣粒径尺寸异常，出渣量不稳定的情况；利用支护方案智能决策模型预测适合当前围岩状况的支护方案及相关支护参数的过程为：将上述掘进段内的隧道围岩数据与所预测的不良地质段规模S 1 组成新的数据集R 1 ，利用支护方案智能决策模型分析数据集R 1 的特征，并给出相应的支护方案和支护参数集T 1 ；(4)现场应用：根据支护方案智能决策模型提供的支护方案施作TBM隧道初期支护结构；(5)反馈应用效果和数据迭代：采集、分析隧道围岩收敛变形数据并上传至隧道围岩收敛变形监测数据库，并利用支护方案智能决策模型评估所推荐的支护方案支护效果，实现数据迭代和支护方案智能决策模型的自主学习；所述步骤(5)中支护方案决策的效果验证与数据迭代的过程为：按照支护方案和支护参数集T 1 完成TBM隧道初期支护施工后，按照隧道监控量测规范尺寸监测该段隧道围岩收敛变形数据，形成数据集U 1 ，并评估支护参数集T 1 的支护效果，将与支护参数集T 1 相对应的围岩收敛变形数据集U 1 及支护效果评估结果写入TBM施工数据库，完成数据迭代。
2.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的TBM运行数据库包含的数据有：TBM掘进总推力，贯入度，掘进速度，刀盘扭矩，主皮带机正转压力，顶护盾、左侧护盾、右侧护盾压力和位移；上述参数从TBM的PLC控制系统中读取，其中TBM的贯入度、掘进速度和刀盘转速之间满足如下关系：贯入度＝掘进速度/刀盘转速。
3.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的隧道围岩数据库包含的数据有：岩性，围岩等级S，岩体完整性系数Kv，岩体体积节理数Jv，岩体基本质量指标BQ，岩石质量指标RQD，岩石饱和单轴抗压强度Rc和不良地质段的规模。
4.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的岩渣数据库包含的数据有：岩渣的几何尺寸，不同粒径岩渣所占比例，连续掘进周期内的出渣量/岩渣质量m1和理论出渣量m0；岩渣的几何尺寸、岩渣的粒径和不同粒径岩渣所占比例均采用岩渣图像识别系统实时采集获取，单位时间内的出渣量/岩渣质量采用岩渣称重系统实时采集；其中，岩渣图像识别系统的图像采集器安装在TBM拖车上的出渣皮带机正上方，采样区域长度不低于1.5m，宽度不低于1m且能覆盖皮带机上岩渣的宽度，采样频率不低于2Hz，岩渣称重系统安装在TBM主机皮带机上，带温度补偿装置，能实时检测温差并对称重数据进行补偿修正，确保在不同季节、不同温度下保持称重数据的准确性。
5.根据权利要求1所述的TBM隧道不良地质段智能支护决策方法，其特征在于，步骤(1)中所述的支护方案数据库包含的数据有：钢拱架类型、间距，钢筋网铺设位置、钢筋直径、间距；锚杆类型、长度、间距；喷射混凝土施作部位、厚度；步骤(1)中所述的隧道围岩收敛变形监测数据库包含的数据有：拱顶沉降值，隧道左、右侧拱腰收敛值，采用全站仪采集以上数据。
