1.一种基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：步骤如下：S1.伺服支撑数据模拟模块,

基于有限元模拟，采用支撑轴力伺服系统的伺服支撑力与墙体变形响应数据，构建伺服支撑–墙体变形数据集；

S2.变形预测代理模型模块，

构建并优化TabPFN模型，获得优化后的变形预测代理模型，所述变形预测代理模型根据输入的伺服支撑力快速预测基坑开挖引起的墙体变形，获得墙体变形预测结果，其中，优化变形预测代理模型的步骤包括：S21.合成数据预训练模块,

通过在数百万个由结构因果模型生成的合成任务，获得合成数据集预训练TabPFN模型，获得训练后的TabPFN模型，使TabPFN模型的Transformer特征提取器学习结构模式；

S22.双向混合稀疏注意力特征提取模块，

在S21中训练后TabPFN模型的Transformer特征提取器中引入双向注意力机制，并在双向注意力机制基础上，引入支持样本裁剪机制和局部–全局混合型稀疏注意力机制，获得优化后的TabPFN模型；

S23.小样本推理模块，

将S1中伺服支撑–墙体变形数据集输入S22中优化后的Transformer特征提取器中进行编码，编码后进行小样本推理，获得预测墙体变形结果,S3.跨阶段多目标优化模块,

构建融合差分进化算法的多目标优化框架，并设定多个目标，将S2中获得的墙体变形预测结果输入多目标优化框架中，协同优化墙体最大变形控制与伺服力卸载风险，获得全局最优组合。

2.根据权利要求1所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：所述S1中构建支撑–墙体变形的数据集的步骤如下：S11.基于有限元模拟，采用阶段加载策略依次激活多个预设阶段的伺服支撑，每一阶段中，新增的可调伺服力与前一阶段已设定的支撑力共同组成当前阶段的累积输入；

S12.通过拉丁超立方采样在各支撑预先设定的设计轴力范围内生成多组输入组合，作为有限元模型的加载边界条件；

S13.模拟输出每个阶段围护墙体的最大变形值与最小变形值，构建输入伺服力—输出墙体变形关系的伺服支撑–墙体变形数据集。

3.根据权利要求1所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：S21中合成任务的生成合成数据集过程步骤如下：

1）随机生成一个有向无环图DAG，其中每个节点代表一个变量Xi，由带有高斯噪声的非线性结构函数fi决定，函数fi描述每个变量如何依赖其父节点PAi，叠加的高斯噪声 用于模拟真实工况中的扰动与不确定性；

2）变量Xi按照DAG的拓扑顺序进行采样，模拟土体参数、支撑力与结构变形的因果结构；

(j)

3）从中间变量中随机选取一部分作为输入特征向量x ，从其他目标变量中随机选择(j)一个作为输出y ；

4）通过在不同图结构、因果布局与函数类型下重复上述过程，可生成结构多样的合成数据集DSCM，用于预训练TabPFN模型，获得训练后的TabPFN模型。

4.根据权利要求1所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：S22中双向注意力机制包括执行样本内注意力和样本间注意力，TabPFN在每层编码器中交替执行样本内注意力与样本间注意力，执行样本内注意力用于提取单个样本中各支撑力之间的联动模式，样本间注意力从多个样本中学习特征在不同位置上的全局重要性。

5.根据权利要求1所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：所述S22中支持样本裁剪机制使用流程步骤如下：

1）预编码和缓冲，在TabPFN模型加载阶段，预先对所有支持样本进行独立编码，并将伺服力–变形特征编码向量缓存于内存中；

2）Top‑K筛选，在推理阶段，首先基于查询样本与缓存支持样本之间的欧氏距离快速筛选出Top‑K个最相关支持样本；

3）再编码与推理，仅对该Top‑K样本与查询样本共同输入至Transformer中进行编码与推理，避免对全量支持集重复运算。

6.根据权利要求1所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：所述S22中局部–全局混合型稀疏注意力机制，替代原始全连接点积注意力，具体步骤如下：

1）为每个伺服力输入位置设定固定宽度的局部窗口，仅在其邻近支撑点之间执行注意力计算，以捕捉局部空间耦合关系；

2）引入Top‑K动态全局注意力机制，根据初步相似度得分，从所有支撑位置中筛选出对当前Query位置最具影响的K个远程位置，并在这些位置之间追加注意力交互，兼顾远距联动效应；

3）采用稀疏注意力掩码对非相关位置进行屏蔽，有效压缩注意力权重矩阵的非零元素2

比例，使注意力计算复杂度由原始的O(n) 降低至近似O(n)。

7.根据权利要求1或2或3或4或5或6所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：S23中获得预测墙体变形结果的具体步骤如下：

1）将伺服支撑–墙体变形数据集中数据划分为查询样本集和多个支持样本集，将查询样本集和多个支持样本集输入S22中优化后的Transformer特征提取器进行编码，编码后，模型通过注意力权重计算与每个支持样本之间的相似度，识别出在受力—变形行为上最接近的支持样本；

2）TabPFN模型根据查询样本与各支持样本之间的相似度，为每个支持样本分配一个注意力权重αi，模型对支持样本集中包含标签的值向量Vi进行加权融合，聚合成一个新的向量表述Zq；

3）融合表述Zq被送入多层感知机MLP进行解码，MLP将该向量映射为一个在预定义墙体变形区间{y1，y2，…,yM}上的概率分布；

4）将3）中概率预测输出，采用分段分布的加权平均法将预测区间概率转化为连续的变形期望值，获得预测墙体变形结果。

8.根据权利要求7所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：所述多目标优化框架的优化目标包括控制最大变形、抑制反弯和最小伺服力卸载量，所述控制最大变形和抑制反弯为主目标，在满足变形控制主目标的前提下，引入最小伺服力卸载量作为次目标。

9.根据权利要求1或8所述的基于TabPFN模型与支撑轴力伺服系统的基坑变形控制方法，其特征是：获得全局最优组合的具体步骤如下：S31.最大墙体变形限制在开挖深度H的3%以内,同时设定80%的预警阈值；

S32.主目标损失函数Ldef定义如下：

，

其中，umax是最大变形，umin是最大负向位移；

S33.所述S31和S32的主目标满足后，在框架进一步引入卸载惩罚项Lctrl，抑制相邻开挖阶段间的伺服力卸载量；

S34.S2中墙体变形预测结果输入多目标优化框架中，筛选出满足S31‑S33设定两个主目标和一个次目标的解集，再采用差分进化算法在多阶段伺服力组合空间中进行群体搜索，采用基于帕累托排序的优先级引导束搜索方法，筛选最优伺服力解集，获得全局最优组合。