1.一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，包括以下步骤：S1：建立盾构TBM装备数字化模型；通过三维建模软件构建盾构TBM装备三维模型，采用网格划分工具对盾构TBM装备三维模型进行网格划分，形成盾构TBM装备数字化模型；S2：施加约束边界条件；根据盾构TBM装备结构特点和载荷传递路径、在盾构TBM装备数字化模型上施加装备运行过程约束边界条件；S3：建立装备载荷集；分析盾构TBM装备运行过程中多种载荷的组合形式、各载荷的方向及载荷大小的数值范围，形成盾构TBM装备载荷集合；S4：抽取载荷样本并在模型中施加载荷；从盾构TBM装备载荷集合中对载荷可能的组合、方向及大小进行抽样，形成载荷样本数据集，将抽样形成的载荷样本数据集的每组载荷分别添加至盾构TBM装备数字化模型中，形成具有完整约束边界条件和载荷边界条件的有限元模型；S5：有限元模型求解；调用CAE求解器，对S4步骤产生的不同约束边界条件或载荷边界条件的有限元模型进行求解；S6：获取装备结构应力和变形结果的数据，形成数据集；建立专门的数据文件，数据文件中的数据包括但不限于约束边界条件、载荷边界条件、应力、应变结果；S7：机器学习模型训练；将获取的数据集分为训练集和测试集，数据集的组成包括但不限于约束边界条件和载荷边界条件，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的机器学习算法模型确定为目标模型；S8：输出盾构TBM运行状态数据，输出的盾构TBM运行状态数据包括但不限于应力、变形；在通过机器学习获得目标模型的基础上，将装备运行过程中载荷数据、约束边界条件作为输入，载入目标模型中计算输出，获得盾构TBM装备运行状态数据，储存为结果输出文件；获取的盾构TBM运行状态数据包括但不限于应力、变形；S9：数据孪生模型可视化；将获取的盾构TBM装备运行状态数据进行三维可视化，以便直观获取装备运行中应力、应变状态；获取的盾构TBM运行状态数据包括但不限于应力、变形。
2.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，步骤S1中，采用盾构TBM装备图纸进行三维模型构建，条件允许时从设备制造商处获取三维模型直接使用；当无法直接从设备制造商处直接获取三维模型文件时，采用逆向工程手段获取盾构TBM的装备的零部件或装配体三维模型；对盾构TBM装备三维模型进行有限元网格离散，获得有限元网格模型；逆向工程手段包括但不限于三维激光扫描。
3.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，步骤S2中，根据数字孪生对象的结构特点分析约束边界条件的种类及约束的位置，并将约束边界条件施加到有限网格模型中。
4.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，步骤S3中，基于大数据平台和机理建立装备盾构TBM装备载荷集合；具体是通过机理知识确定特定载荷的方向或理论值，通过查询大数据平台采集的数据获取同类装备特定载荷的大小范围。
5.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，步骤S4中，采用正交数组、蒙特卡洛抽样、拉丁方抽样对载荷可能的组合、方向及大小进行抽样，形成载荷样本数据集，通过编程方法将抽样获得的载荷依次添加至有限元网格模型中。
6.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，步骤S5中，采用CAE云平台开展运算对有限元模型进行求解。
7.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，步骤S7中，机器学习模型训练时，确定训练集占据数据集的比例P1，按照比例P1从数据集中随机选取训练集，数据集中其余的数据作为测试集；将训练集中包含约束边界条件，载荷边界条件数据的部分归为测试集数据输入部分，其余部分数据作为测试集数据输出部分；将测试集数据输入部分和测试集数据输出部分各自分别进行数据归一化，根据数据所处的范围选择映射到[0 ,1]或[-1 ,1]区间上，将获取的数据集分为训练集和测试集，数据集的组成包括但不限于约束边界条件和载荷边界条件，采用不同的机器学习算法来训练模型，选取预测输入与输出关系准确性较高的模型确定为目标模型；选取卷积神经网络、RNN神经网络、BP神经网络算法进行模型训练，并用测试集数据进行验证，最后用实际值同预测值的相对标准偏差来对模型进行评价，选择预测精度高的模型作为最终目标模型。
8.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，在步骤S8中获得盾构TBM运行状态数据输出，获取的盾构TBM运行状态数据包括但不限于应力、变形，将采集到的盾构TBM运行过程中载荷数据或者同载荷高度关联的数据通过特定运算后转换为载荷数据，通过归一化后输入至目标模型中计算，输出数据，输出数据包括但不限于应力、变形，再结合同类别数据归一化的参数开展反归一化，将输出的数据还原至真实的区间范围，输出盾构TBM运行状态数据，输出的盾构TBM运行状态数据包括但不限于应力、变形。
9.如权利要求1所述的一种基于CAE仿真与机器学习耦合的盾构TBM装备运行状态数字孪生方法，其特征是，S9步骤中，将获取的盾构TBM运行状态数据通过ParaView开源程序或编程实现结果可视化；获取的盾构TBM运行状态数据包括但不限于应力、变形。
