Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Пендахулуан
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, змякчэнне наступстваў стыхійных бедстваў, eksplorasi panas bumi, hingga riset tektonik memerlukan model bawah permukaan yang detail: bagaimana kecepatan gelombang seismik berubah terhadap kedalaman, di mana batas lapisan batuan berada, dan bagaimana heterogenitas kecil dapat memengaruhi rambatan gelombang. Salah satu pendekatan paling kuat untuk tujuan ini adalah Full Waveform Inversion (FWI), sebuah algoritma inversi yang memanfaatkan informasi lengkap dari bentuk gelombang seismik ( waveform ) untuk mengestimasi parameter fisik bawah permukaan.
FWI sering disebut sebagai “standar emas” inversi seismik karena mampu menghasilkan citra bawah permukaan beresolusi tinggi, melampaui pendekatan konvensional yang hanya menggunakan waktu tiba ( traveltime ) atau amplitudo sederhana. Namun, kekuatan ini datang dengan harga: FWI membutuhkan pemodelan gelombang yang akurat, рэсурс komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan асноўныя паняцці FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Што такое поўная інверсія формы сігналу?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat сейсмічныя дадзеныя hasil simulasi paling cocok dengan data seismik observasi. “Paling cocok” didefinisikan melalui sebuah fungsi objektif (misfit), misalnya selisih kuadrat antara data observasi dan data sintetik pada setiap waktu dan setiap penerima.
Асноўныя адрозненні паміж FWI і іншымі метадамі інверсіі:
– FWI menggunakan seluruh bentuk gelombang (fase, amplitudo, interferensi, multiple, difraksi), bukan hanya picking waktu tiba.
– FWI bergantung pada pemecahan persamaan gelombang (acoustic, elastic, atau anelastic) untuk mensimulasikan data sintetik.
– FWI — гэта маштабная нелінейная задача аптымізацыі, паколькі параметры мадэлі (напрыклад, хуткасці P- або S-хваль) могуць налічваць мільёны ячэек на 2D/3D сетцы.
-
3. Асноўныя кампаненты FWI
3.1 Дадзеныя назіранняў і сінтэтычныя дадзеныя
Патрабуецца FWI:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Сінтэтычныя дадзеныя разлічваюцца шляхам рашэння хвалевага ўраўнення (напрыклад, ураўнення акустычнай хвалі):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
дзе (v(x) — хуткасць хвалі, (p) — скалярны ціск/хваля, а (s) — крыніца.
3.2 Model Awal ( Initial Model )
FWI sangat sensitif terhadap model awal. Jika model awal terlalu jauh dari kondisi sebenarnya, algoritma dapat mengalami cycle skipping , yaitu ketika perbedaan fase antara data sintetik dan observasi lebih dari setengah periode, sehingga gradien mendorong solusi ke arah yang salah.
Пачатковая мадэль звычайна атрымліваецца з:
– inversi traveltime (tomografi),
– мадэлі макрахуткасці з геалагічнага аналізу,
– або шматмаштабны падыход (пачынаючы з нізкіх частот).
3.3 Мэтавая функцыя (неадпаведнасць)
Агульныя мэтавыя функцыі:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
дзе m — параметр мадэлі (напрыклад, хуткасць), s — індэкс крыніцы, а r — індэкс прымача.
Selain misfit L2 klasik, ada juga misfit alternatif untuk mengurangi cycle skipping , misalnya:
– misfit berbasis envelope ,
– phase-only misfit,
– optimal transport (Wasserstein),
– atau matching filters .
3.4 Perhitungan Gradien: Metode Adjoint-State
Salah satu kunci utama FWI adalah cara menghitung gradien secara efisien. Karena jumlah parameter model sangat besar, turunan numerik langsung tidak mungkin dilakukan. Solusinya adalah metode adjoint-state .
Інтуітыўна зразумелая карціна:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Вылічыце рэшту дадзеных (Δd = d_{\text{syn}} – d_{\text{obs}}).
3. Adjoint modeling : injeksikan residu tersebut sebagai “sumber balik” dari posisi receiver dan propagasikan mundur dalam waktu.
4. Korelasi antara medan gelombang forward dan adjoint menghasilkan gradien terhadap parameter model.
Пры выкарыстанні гэтай тэхнікі вылічальныя выдаткі на градыент прыкладна эквівалентныя падвоеным выдаткам на мадэляванне хваль на адну крыніцу (прамая + сумежная), таму яны ўсё яшчэ вялікія, але магчымыя на HPC/GPU.
3.5 Схема абнаўлення мадэлі (аптымізацыя)
Пасля атрымання градыенту ( \nabla J \) мадэль абнаўляецца з дапамогай метаду аптымізацыі, напрыклад:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– або метад Ньютана/квазіньютана.
Асноўныя абнаўленні:
\[
m_{k+1} = m_k – α_k, H_k^{-1} на бла J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Працоўны працэс алгарытму FWI (кароткі)
Увогуле, FWI працуе ітэратыўна:
1. Выберыце пачатковую мадэль (m_0).
2. Для кожнай крыніцы:
– рабіць прамое мадэляванне → сінтэтычныя дадзеныя,
– вылічыць рэшткі па дадзеных назіранняў,
– займацца сумежным мадэляваннем,
– назапашванне градыенту.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Абнавіце мадэль метадамі аптымізацыі.
5. Паўтарайце, пакуль не будзе дасягнута збежнасць або мяжа ітэрацый.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Асноўныя праблемы ў FWI
5.1 Cycle Skipping
Гэта найбольш вядомая праблема. Калі сінтэтычныя і назіраныя дадзеныя не знаходзяцца ў «фазе», неадпаведнасць L2 можа прывесці да аптымізацыі да ілжывых лакальных мінімумаў. Агульнае рашэнне:
– пачынаючы з вельмі нізкіх частот,
– удасканаліць зыходную мадэль (тамаграфію),
– выкарыстанне альтэрнатыўных няўдачнікаў,
– menerapkan time windowing dan strategi data selection .
5.2 Вылічальныя выдаткі
Трохмернае FWI з некалькімі крыніцамі можа запатрабаваць ад тысяч да мільёнаў мадэляванняў формаў сігналу. Для гэтага патрабуецца:
– паралельныя вылічэнні (кластар, GPU),
– захаванне памяці (кантрольныя кропкі для захавання хвалевых палёў),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Неадпаведнасць фізікі і шуму
Палявыя дадзеныя ўтрымліваюць шум, эфекты прыбора, анізатрапію, згасанне (Q), складаную тапаграфію і нявызначанасць крыніцы. Калі прамое мадэляванне занадта простае (напрыклад, акустычнае, калі асяроддзе пругкае), вынікі інверсіі могуць быць зрушанымі.
5.4 Параметрызацыя мадэлі
Memilih parameter apa yang diinversi (misalnya \( v_p \), densitas, \( v_s \), anisotropi, Q) memengaruhi sensitivitas dan stabilitas. Banyak parameter dapat menyebabkan trade-off dan memperburuk konvergensi.
-
6. Заява на атрыманне пасведчання аб рэгістрацыі патэнцыйных кліентаў
FWI шырока выкарыстоўваецца для:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– геатэрмальная энергія: картаграфаванне зон разломаў і літалагічных змен,
– глабальная/рэгіянальная сейсмалогія: візуалізацыя мантыі і зямной кары,
– геатэхнічная і прыземная інжынерыя: неглыбокае картаграфаванне фундаментаў, тунэляў і змякчэнне наступстваў.
Перавагі FWI відавочныя, калі асяроддзе складанае, а дадзеныя багатыя хвалевай інфармацыяй: невялікія дыфракцыі, шматпрамянёвыя і кратныя хвалі, якія звычайна лічацца перашкодамі, могуць насамрэч быць крыніцамі інфармацыі.
-
7. Заключэнне
Full Waveform Inversion adalah algoritma inversi seismik yang memanfaatkan kekayaan informasi dalam bentuk gelombang untuk membangun model bawah permukaan beresolusi tinggi. Kunci keberhasilannya terletak pada pemodelan persamaan gelombang yang akurat, perhitungan gradien efisien melalui metode adjoint-state , dan strategi optimasi yang mampu menghindari minimum lokal seperti cycle skipping . Walaupun menuntut komputasi tinggi dan desain workflow yang matang, FWI telah terbukti menjadi pendekatan yang sangat kuat dalam pencitraan bumi dan eksplorasi рэсурс.
Jika Anda ingin, saya bisa melanjutkan dengan artikel lanjutan yang lebih teknis—misalnya membahas derivasi gradien adjoint secara lebih formal, contoh pseudocode FWI, atau strategi multiskala berbasis band-pass dan windowing untuk data riil.
