1.一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，方法包括以下步骤：S1：采集岩溶地层的多模态数据并进行预处理；多模态数据包括：溶洞的高分辨率点云数据、压力变化信息、温度信息、湿度信息以及水文数据；S2：利用卷积神经网络CNN和Transformer算法，构建深度学习分类模型；S3：通过深度学习分类模型，结合多模态数据以及联邦学习技术，构建溶洞三维分布模型并提取微观特征指标；S4：通过深度学习分类模型对提取的微观特征指标进行分析，得到溶洞类型；S5：构建参数映射模型；将量化后的微观特征指标以及溶洞类型输入到参数映射模型中，通过多变量回归分析，建立微观特征与盾构掘进参数之间的内在关系；S6：计算溶洞的分布复杂度；将溶洞三维分布模型的溶洞区域划分为不同的地质分区，根据内在关系、溶洞类型和分布复杂度，得到掘进参数调整指令；S7：通过掘进参数调整指令，调整每个地质分区的掘进参数，控制各个项目的液压泵、刀盘驱动电机、注水泵与阀门，完成盾构机掘进参数的实时动态精确调节。
2.如权利要求1所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，步骤S1包括：所述预处理包括：数据清洗、特征提取和标准化操作。
3.如权利要求1所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，步骤S3包括：通过光谱分析仪器获取的矿物光谱数据；通过矿物光谱数据以及多模态数据，结合深度学习分类模型，构建溶洞三维分布模型并提取微观特征指标；微观特征指标包括：壁面粗糙度 、裂隙密度 、矿物成分指数 及含水量指数 。
4.如权利要求3所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，步骤S3还包括：通过溶洞的高分辨率点云数据进行表面拟合，计算得到壁面粗糙度 ；通过深度学习模型识别并统计单位面积内的裂隙数量，得出裂隙密度 ；通过矿物光谱数据，结合深度学习算法，识别各矿物成分的比例，得出矿物成分指数 ；通过温度信息、湿度信息以及水文数据，计算得到含水量指数 ，公式如下：其中， 为含水率传感器测得的含水量，即水文数据； 为相对湿度，由温度信息和湿度信息计算得出； 和 为权重系数，满足 。
5.如权利要求1所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，步骤S4还包括：通过深度学习分类模型对提取的微观特征指标进行分析，得到溶洞类型；所述溶洞类型包括：填充溶洞与空腔溶洞；深度学习分类模型的输出为溶洞类型的概率分布 定义为：其中， 表示输入的多模态传感器数据， 为结合CNN和Transformer的特征提取与建模函数。
6.如权利要求1所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，步骤S6包括：计算溶洞的分布复杂度的具体步骤如下：S61： 通过溶洞的高分辨率点云数据，提取溶洞的几何特征；几何特征包括：形状、尺寸以及体积；S62：根据溶洞的高分辨率点云数据，进行连通性分析，计算连通性 ，具体包括：设定距离阈值；若两个溶洞的距离小于距离阈值，则认为两者是连通的，具有联通关系；以各个溶洞为顶点，连通关系为边，构建无向图，计算连通性 ；S63：根据溶洞的几何特征以及连通性 ，进行分布复杂度计算，如下：其中， 为分布复杂度， 为溶洞体积， 为溶洞长度， 为溶洞连通性。
7.如权利要求1所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，步骤S7包括：掘进参数调整指令包括：推力增减、刀盘转速调节和注水量控制；掘进参数：包括推力 、刀盘转速 和注水量 。
8.一种基于联邦学习的岩溶地层盾构掘进参数预测系统，用于实现如权利要求1-7任意一项所述的一种基于联邦学习的岩溶地层盾构掘进参数预测方法，其特征在于，所述系统包括：多模态传感器模块、边缘计算设备、通信模块、盾构机控制单元和中央服务器；多模态传感器模块连接边缘计算设备；边缘计算设备连接通信模块；通信模块连接中央服务器；盾构机控制单元连接边缘计算设备；多模态传感器模块包括：地质雷达、压力传感器、温湿度传感器及含水率探测仪；所述地质雷达设置在盾构机前端，用于实时扫描岩溶地层的溶洞分布及其几何特征，获取溶洞的高分辨率点云数据，生成溶洞的空间位置和结构信息；所述压力传感器设置在盾构机刀盘和螺旋输送机上，用于监测掘进过程中围岩压力的动态变化，得到压力变化信息；所述温湿度传感器设置在盾构机刀盘周围，用于监测溶洞环境中的温度信息以及湿度信息；所述含水率探测仪设置在盾构机掘进舱内，用于监测溶洞环境中的水文数据；边缘计算设备包括：高性能计算单元GPU、数据存储单元和通信接口模块；多模态传感器模块用于采集多模态数据；多模态数据包括：溶洞的空间位置、溶洞的结构信息、压力变化信息、温度信息、湿度信息以及水文数据；所述边缘计算设备用于对接收的多模态数据进行预处理以及边缘计算，得到局部模型参数；所述预处理包括：数据清洗、特征提取和标准化操作；通信模块包括：5G模块以及缓存存储器；所述通信模块用于将局部模型参数传输至中央服务器；所述中央服务器用于构建基于卷积神经网络CNN和Transformer算法的深度学习分类模型；所述中央服务器用于根据局部模型参数，深度学习分类模型以及联邦学习技术，得到全局优化后的模型参数；盾构机控制单元包括：PLC控制器与执行器驱动模块；所述边缘计算设备还用于接收全局优化后的模型参数并进行处理，得到掘进参数调整指令并发送至盾构机控制单元；盾构机控制单元包括：液压泵、刀盘驱动电机、注水泵与阀门；盾构机控制单元用于通过掘进参数调整指令控制液压泵、刀盘驱动电机、注水泵与阀门，完成盾构机掘进参数的实时动态精确调节。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被计算机执行时，执行如权利要求1-7任意一项所述的方法。
