Este estudio propone un marco de predicción inteligente que integra la atención dispersa nativa (NSA) con el algoritmo Chen-Guan (CHG) para optimizar las operaciones de la máquina perforadora de túneles (TBM) en entornos geológicos heterogéneos. El marco resuelve limitaciones críticas de los enfoques convencionales basados en la experiencia que no abordan adecuadamente el acoplamiento no lineal entre la heterogeneidad espacial de los parámetros de la masa rocosa y las respuestas del sistema mecánico. Se introducen tres innovaciones principales: (1) una arquitectura de atención dispersa compatible con hardware que logra una complejidad computacional de O(n) mientras preserva capacidades de extracción de características geológicas de alta fidelidad; (2) un mecanismo de optimización de la función de núcleo adaptable que reduce el ancho del intervalo de confianza en un 41.3% a través de la integración sinérgica de la selección de núcleo impulsada por la probabilidad de frontera con la estimación posterior basada en la desigualdad de Chebyshev; y (3) una metodología de modelado mejorada por la física que combina la mecánica de contacto no hertziana con ecuaciones de evolución de campo de eddy. Experimentos de validación empleando datos de campo del Proyecto de Túnel de la Parcela 125-2 del Pueblo de Pujiang demostraron métricas de rendimiento superiores, incluida una precisión de advertencia del 92.4% +/- 1.8% para zonas fracturadas.