برآورد نرخ نفوذ ماشین در سنگ اولین و مهمترین گام در پیش‌بینی زمان اجرای حفر مکانیزه تونل است. در چند دهه اخیر مطالعات زیادی برای پیش‌بینی نفوذ TBM انجام شده است که در آنها از روش‌های مختلفی استفاده شده است. در این تحقیق روش‌های مختلف استفاده شده برای پیشنهاد یک رابطه برای پیش‌بینی نرخ نفوذ پیاده‌سازی شد تا نقاط ضعف و قوت آن ها با هم مقایسه شوند. به همین منظور پایگاه داده ای از اطلاعات حین حفر تونل گلاب شامل پارامترهای عملیاتی ماشین و ژئومکانیکی سنگ ایجاد شد. با استفاده از اطلاعات پایگاه داده ایجاد شده، میزان تاثیر پارامترهای مختلف ژئومکانیکی بر عملکرد ماشین بررسی شد که تاثیر فاصله‌داری درزه‌ها و RQD بیشتر از سایر پارامترها بود و مقاومت فشاری تک محوری تاثیر کمی بر مقدار نفوذ داشت. با استفاده از روش‌های مختلف تحلیل رگرسیون روابطی برای پیش‌بینی نرخ نفوذ ارائه شد که روش SMo رگرسیون دقت بالاتری نشان داد، برای تعیین ضرایب پارامترهای موثر بر عملکرد ماشین از الگوریتم PSO نیز بهره گرفته شد. بعلاوه از روش شبکه عصبی مصنوعی نیز استفاده شد که اگرچه دقت بالاتری از سایر روش‌ها داشت اما به علت عدم ارائه یک رابطه مشخص کارآیی کمتری نسبت به سایر روش‌ها دارد. با کمک روش‌های یادگیری ماشین و ساخت درخت تصمیم و با اولویت‌دهی به پارامترهای ژئومکانیکی موثرتر، یک سیستم طبقه‌بندی برای پیش بینی نرخ نفوذ پیشنهاد شده است. با توجه به نتایج بدست آمده و مقایسه روش های استفاده شده، بهترین کارآیی را روش استفاده از درخت تصمیم نشان داد و نتیجه حاصله به عنوان یک سیستم رده‌بندی پیش‌بینی نرخ نفوذ پیشنهاد شد.