1.一种基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤如下：
2.如权利要求1所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤一中，钻进实验对岩石试件进行不同角度钻进，包括水平方向、倾斜某一固定角度、垂直方向，记录随钻参数，步骤如下：
3.如权利要求1所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤一中，将岩性相同的多个岩石试件水平紧凑排列摆放，模拟真实环境下的围压应力曲线进行加围压操作，对试件组进行钻进实验，记录随钻参数，步骤如下：
4.如权利要求3所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤二中，实时监测数据为钻进实验时实时显示、记录并导出的随钻参数，随钻参数包括：位移、进给压力、旋转压力、扭矩、功率、给进速度和旋转速度；位移指钻杆钻进深度，进给压力指给进油缸的液压油压力，旋转压力是指马达液压油压力，旋转压力和进给压力都由传感器测量，功率是指供电的功率，给进速度是指给进机构在钻进中送进钻具的速度，旋转速度是指主轴的转速，岩体地质力学参数包括试件所受应力、单轴抗压强度和弹性模量。
5.如权利要求4所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤二中，预处理过程为，对实时监测数据进行清洗，得到筛选出的数据集，使用逐步特征选择算法实现特征选择，将监测数据通过特征选择后作为模型的输入参数，对岩石地质力学参数进行筛选处理后作为模型的输出参数，对筛选后的输入数据集和输出数据集进行归一化处理和滑动窗口处理，生成样本数据，将样本数据按7：3的比例生成训练数据集和测试数据集。
6.如权利要求5所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，逐步特征选择算法，具体步骤如下：
7.如权利要求6所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤三中，深度学习模型的训练步骤如下：
8.如权利要求7所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤四具体方法为，预设预测精度，设置预测值与真实值误差，将测试数据集输入训练后的深度学习模型中，对产生的预测结果进行判断，若符合预测精度的要求，则模型训练完成，输出预测结果；若不满足，则返回步骤三，调整模型参数，再次进行模型训练，直至满足预测精度要求。
9.如权利要求8所述的基于深度学习的围岩地质力学参数智能预测方法，其特征在于，步骤五中，具体步骤如下：