1.一种联合隧道超前地质预测的渣土智能处理方法，其特征在于，所述方法包括：S1、获取地震波训练集；所述地震波训练集包括地震波特征以及每个所述地震波特征对应的渣土类别；S2、对所述地震波训练集中的渣土类别进行地质分析，获取每个所述渣土类别对应的动力学计算参数和物理数据，并将所述地震波特征与所述动力学计算参数和所述物理数据进行对应，得到更新后的地震波训练集；S3、使用所述地震波训练集对神经网络进行训练，得到渣土预测处理模型；S4、获取实时地质预报数据，对所述实时地质预报数据进行预处理，并将预处理后的实时地质预报数据输入所述渣土预测处理模型，通过所述渣土预测处理模型输出渣土类型；S5、根据所述渣土类型，并结合盾构机的工作状态和地质预报，生成渣土处理建议，以对盾构施工过程中产生的渣土进行处理。
2.根据权利要求1所述的方法，其特征在于，所述S1之后，所述方法还包括：对所述地震波训练集进行预处理，得到预处理后的地震波训练集；所述S2，具体包括：对所述预处理后的地震波训练集中的渣土类别进行地质分析，获取每个所述渣土类别对应的动力学计算参数和物理数据，并将所述地震波特征与所述动力学计算参数和所述物理数据进行对应，得到更新后的地震波训练集。
3.根据权利要求2所述的方法，其特征在于，所述S2中，所述动力学计算参数包括纵波速度、横波速度、波速比、密度、泊松比、杨氏模量和体积模量；所述物理数据包括孔隙率、含水量和颗粒级配。
4.根据权利要求3所述的方法，其特征在于，所述S3中，所述渣土预测处理模型包括输入层、卷积层、扁平化层、全连接层和输出层；所述输入层获取的数据形式为N*8*3；所述卷积层包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层和第四池化层；所述第一卷积层的卷积核数量为64，所述第二卷积层的卷积核数量为128，所述第三卷积层的卷积核数量为256，所述第四卷积层的卷积核数量为512，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层的卷积核大小均为3*3，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层的激活函数均为ReLU函数；所述第一池化层、所述第二池化层、所述第三池化层和所述第四池化层的池化窗口大小均为2*2；所述全连接层包括第一全连接层和第二全连接层；所述第一全连接层的节点数量为1024，所述第二全连接层的节点数量为512；所述第一全连接层和所述第二全连接层的激活函数均为ReLU函数；所述第一全连接层和所述第二全连接层的Dropout率均为0.5；所述输出层的节点数量和所述渣土类别的数量一致。
5. 根据权利要求4所述的方法，其特征在于，所述S3中，所述渣土预测处理模型的损失函数为Categorical Crossentropy；所述渣土预测处理模型的优化器为Adam优化器，且所述Adam优化器的初始学习率为0.001；所述全连接层中应用L2正则化，且权重衰减系数为0.001。
6.一种联合隧道超前地质预测的渣土智能处理系统，基于权利要求1-5任意一项所述的联合隧道超前地质预测的渣土智能处理方法实现，其特征在于，包括：模型训练模块，用于获取地震波训练集；对所述地震波训练集中的渣土类别进行地质分析，获取每个所述渣土类别对应的动力学计算参数和物理数据，并将所述地震波特征与所述动力学计算参数和所述物理数据进行对应，得到更新后的地震波训练集；使用所述地震波训练集对神经网络进行训练，得到渣土预测处理模型；其中，所述地震波训练集包括地震波特征以及每个所述地震波特征对应的渣土类别；实时数据获取模块，用于获取实时地质预报数据，对所述实时地质预报数据进行预处理，并将预处理后的实时地质预报数据输入所述渣土预测处理模型，得到盾构施工过程中产生的渣土类型；渣土分析模块，用于获取实时地质预报数据，将所述实时地质预报数据输入所述渣土预测处理模型，得到盾构施工过程中产生的渣土类型；渣土处理模块，用于根据所述渣土类型，并结合盾构机的工作状态和地质预报，生成渣土处理建议，以对盾构施工过程中产生的渣土进行处理。
7.根据权利要求6所述的渣土智能处理系统，其特征在于，所述实时数据获取模块包括地震波激发器和检波器；所述地震波激发器用于激发主动源地震波，所述检波器用于接受全空间震动信号。
8.根据权利要求7所述的渣土智能处理系统，其特征在于，所述渣土智能处理系统还包括：数据预处理模块，用于对所述地震波训练集进行预处理，得到预处理后的地震波训练集。
