DualTCN：用于时域海洋 CSEM 反演的物理约束时域卷积网络

DualTCN 是第一个用于反演时域海洋可控源电磁（MCSEM）瞬态数据的深度学习框架。摆脱了传统的地下离散化，该框架回归四个地球模型参数——$\sigma_1$、$\sigma_2$、$d_1$、$d_2$——并使用可微软步解码器重建电导率-深度剖面。优化后的架构（379K 参数）采用时域卷积网络（Temporal Convolutional Network, TCN）编码器，配以晚期分支和辅助海底深度头。该设计实现了比基线模型 25.3% 的损失降低，具有高预测精度（$\sigma_2$ 的 $R^2 = 0.898$）以及在 A100 GPU 上每样本 3.5~ms 的反演速度。该框架通过基于课程的幅度增强展示了对噪声的高鲁棒性，在 $\pm2\%$ 随机幅度误差下保持 0.858 的平均 $\bar{R}^2$，相比之下无增强时为 $0.363$。DualTCN 有效地泛化到三层扩展（海水/电阻层/基底），准确解析基底电导率（$R^2 \approx 0.88$），尽管薄层分辨率仍然是一个物理限制（$R^2 \approx 0.23$）。在比较基准中，DualTCN 显著优于 Levenberg-Marquardt 和 L-BFGS-B 等传统局部优化方法，产生了平均 $\bar{R}^2 = 0.877$，而多起点基线为 0.129-0.439，同时计算成本最多低 21,000$\times$。最后，该框架通过蒙特卡洛（Monte Carlo, MC）Dropout 融合了不确定性量化。虽然对 $\sigma_1$ 校准良好（PICP90 = 0.944），但短偏移距（200m）固有的信号限制导致 $d_2$ 的覆盖不足（PICP90 = 0.572），这可以通过事后温度缩放或分裂保形预测来缓解。