Sissejuhatus täieliku lainekuju inversiooni (FWI) algoritmi
1. Pendahuluan
Kaasaegses geofüüsikas kasvab vajadus „näha“ Maa pinnasealust struktuuri . Energiatööstus, katastroofide leevendamine , geotermiline uurimine ja isegi tektoonilised uuringud nõuavad detailseid pinnasealuseid mudeleid: kuidas seismilise laine kiirus sügavusega muutub, kus asuvad kivimikihtide piirid ja kuidas väikesed heterogeensused võivad laine levikut mõjutada. Üks võimsamaid lähenemisviise selleks on täielik lainekuju inversioon (FWI) – inversioonialgoritm, mis kasutab seismiliste lainekujude täielikku teavet pinnasealuste füüsikaliste parameetrite hindamiseks.
FWI-d nimetatakse sageli seismilise inversiooni „kuldstandardiks“, kuna see suudab toota kõrge eraldusvõimega pinnasealuseid kujutisi, ületades tavapäraseid meetodeid, mis kasutavad ainult laine levikuaega või lihtsat amplituudi. Sellel võimsusel on aga oma hind: FWI nõuab täpset lainemodelleerimist, märkimisväärseid arvutusressursse ja hoolikaid optimeerimisstrateegiaid, et vältida valede lahenduste tegemist.
See artikkel tutvustab FWI põhikontseptsioone , selle algoritmi peamisi komponente ning üldiseid väljakutseid ja strateegiaid selle rakendamisel.
-
2. Mis on täielik lainekuju inversioon?
Lihtsamalt öeldes on seismilise segiajamise (FWI) protsess, mille käigus leitakse maa-alune mudel, mis sobib simuleeritud seismiliste andmetega kõige paremini vaadeldud seismiliste andmetega. "Parim sobivus" on määratletud eesmärgifunktsiooni (sobimatuse) abil, näiteks vaadeldud ja sünteetiliste andmete ruutude erinevuse abil igal ajahetkel ja igas vastuvõtjas.
FWI ja teiste inversioonimeetodite põhilised erinevused on järgmised:
– FWI kasutab kogu lainekuju (faasi, amplituudi, interferentsi, mitmekordset, difraktsiooni), mitte ainult saabumisaja valimist.
– FWI tugineb sünteetiliste andmete simuleerimiseks lainevõrrandi (akustilise, elastse või anelastse) lahendamisele.
– FWI on ulatuslik mittelineaarne optimeerimisprobleem, kuna mudeli parameetrid (nt P- või S-laine kiirused) võivad 2D/3D-ruudustikus sisaldada miljoneid rakke.
-
3. FWI peamised komponendid
3.1 Vaatlusandmed ja sünteetilised andmed
FWI nõuab:
– Vaatlusandmed: erinevatest allikatest ja vastuvõtjatelt saadud seismilised salvestused (lasukogumid).
– Sünteetilised andmed: laine leviku numbrilise simulatsiooni tulemused ajutisel mudelil.
Sünteetilised andmed arvutatakse lainevõrrandi (nt akustilise laine võrrandi) lahendamise teel:
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
kus v(x) on laine kiirus, p on skalaarne rõhk/laine ja s on allikas.
3.2 Esialgne mudel
FWI on algmudeli suhtes väga tundlik. Kui algmudel on tegelikest tingimustest liiga kaugel, võib algoritm kogeda tsükli vahelejätmist, mis tekib siis, kui sünteetiliste ja vaadeldud andmete faaside erinevus on suurem kui pool perioodi, mistõttu gradient lükkab lahendust vales suunas.
Esialgne mudel saadakse tavaliselt järgmiselt:
– rändeaja inversioon (tomograafia),
– geoloogilise analüüsi makrokiiruse mudelid,
– või mitmeskaalaline lähenemine (alustades madalatest sagedustest).
3.3 Eesmärgifunktsioon (sobimatus)
Levinumad eesmärgifunktsioonid:
\[
J(m) = \frac{1}{2} \sum_{s} \sum_{r} \int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
kus \(m \) on mudeli parameeter (nt kiirus), \(s \) on allika indeks ja \(r \) on vastuvõtja indeks.
Lisaks klassikalisele L2 sobimatusele on tsükli vahelejätmise vähendamiseks ka alternatiivseid sobimatusi, näiteks:
– ümbrikupõhine sobimatus,
– ainult faaside sobimatus,
– optimaalne transport (Wasserstein),
– või sobivaid filtreid.
3.4 Gradiendi arvutamine: Adjoint-State meetod
Üks FWI põhiomadusi on gradientide efektiivne arvutamine. Kuna mudeli parameetrite arv on nii suur, on otsene numbriline tuletamine võimatu. Lahenduseks on adjungeeritud oleku meetod.
Intuitiivne pilt:
1. Edasisuunaline modelleerimine: arvutage voolumudeli allikast lähtuv edasisuunaline laineväli.
2. Arvutage andmete jääk (Δd = d_{\text{syn}} – d_{\text{obs}}).
3. Adjungeeritud modelleerimine: jääk sisestatakse vastuvõtja positsioonilt „tagasivooluallikana“ ja levitatakse seda ajas tagasi.
4. Otsese ja külgneva lainevälja vaheline korrelatsioon tekitab mudeli parameetritele gradiendi.
Selle tehnika puhul on gradiendi arvutuskulu ligikaudu võrdne kahekordse laine modelleerimisega allika kohta (edasisuunaline + adjungeeritud), seega on see endiselt suur, kuid HPC/GPU-l teostatav.
3.5 Mudeli uuendamise skeem (optimeerimine)
Kui gradient (\nabla J \) on saadud, uuendatakse mudelit optimeerimismeetodi abil, näiteks:
– Kõige järsem laskumine (lihtsaim),
– Konjugaadigradient,
– L-BFGS (kasutatakse tavaliselt, kuna see on tõhus suurte probleemide korral),
– või Newtoni/kvaasi-Newtoni meetod.
Põhilised uuendused:
\[
m_{k+1} = m_k – ∫alpha_k, H_k^{-1} = J(m_k)
\]
kus \( \alpha_k \) on sammu pikkus ja \( H_k^{-1} \) on pöördvõrdeline Hessian (nt L-BFGS-is).
-
4. FWI algoritmi töövoog (lühike)
Üldiselt töötab FWI iteratiivselt:
1. Valige algmudel \(m_0 \).
2. Iga allika kohta:
– teha edasist modelleerimist → sünteetilised andmed,
– arvutada jäägid vaatlusandmete suhtes,
– teha adjungeeritud modelleerimist,
– gradiendi akumuleerumine.
3. Rakendage eelkonditsioneerimist (nt valgustuse kompenseerimine või silumine).
4. Uuenda mudelit optimeerimismeetoditega.
5. Korda, kuni on jõutud koondumiseni või iteratsioonipiirini.
Tavaliselt teostatakse FWI-d mitme skaalaga, alustades madalatest sagedustest (suuremahuliste mudelikomponentide korrigeerimine) ja liikudes seejärel kõrgemate sageduste poole (detailide lisamine).
-
5. Peamised väljakutsed välisinvesteeringutes
5.1 Tsükli vahelejätmine
See on kõige tuntum probleem. Kui sünteetilised ja vaadeldud andmed ei ole "faasis", võib L2 sobimatus viia optimeerimise teel valede lokaalsete miinimumideni. Üldine lahendus:
– alustades väga madalatest sagedustest,
– täiustada esialgset mudelit (tomograafiat),
– alternatiivsete sobimatute materjalide kasutamine,
– rakendada ajaaknastamise ja andmete valiku strateegiaid.
5.2 Arvutuslik maksumus
Mitme allikaga 3D FWI võib nõuda tuhandeid kuni miljoneid lainekuju simulatsioone. See nõuab:
– paralleelarvutus (klaster, graafikaprotsessor),
– mälu salvestamine (laineväljade salvestamiseks kontrollpunktide kasutamine),
– samuti allika alamhulga valiku strateegiad (allika kodeerimine või mini-partiitöötlus masinõppe moodi).
5.3 Füüsika ja müra mittevastavus
Väliandmed sisaldavad müra, instrumentide mõjusid, anisotroopiat, sumbumist (Q), keerukat topograafiat ja allika määramatust. Kui edasine modelleerimine on liiga lihtne (nt akustiline, kui keskkond on elastne), võivad inversiooni tulemused olla kallutatud.
5.4 Mudeli parameetriseerimine
Inverteeritavate parameetrite (nt \(v_p \), tihedus, \(v_s \), anisotroopia, Q) valimine mõjutab tundlikkust ja stabiilsust. Liiga palju parameetreid võib põhjustada kompromisse ja halvendada lähenemist.
-
6. FWI taotlus
FWI-d kasutatakse laialdaselt järgmistel eesmärkidel:
– nafta ja gaasi uuringud: kiirusmudelite lahutusvõime parandamine, struktuuride migratsiooni ja tõlgendamise abistamine,
– geotermiline energia: murdealade ja litoloogiliste muutuste kaardistamine,
– globaalne/regionaalne seismoloogia: vahevöö ja maakoore pildistamine,
– geotehniline ja maapinnalähedane inseneritöö: vundamentide, tunnelite ja leevendustööde madal kaardistamine.
FWI eelised ilmnevad siis, kui keskkond on keeruline ja andmed on laineinfo poolest rikkad: väikesed difraktsioonid, mitmeteelised levikud ja kordsed, mida tavaliselt peetakse interferentsiks, võivad tegelikult olla infoallikad.
-
7. Kokkuvõte
Täielik lainekuju inversioon on seismiline inversioonialgoritm, mis kasutab lainekujudes sisalduvat rikkalikku teavet kõrgresolutsiooniga pinnasealuste mudelite loomiseks. Selle edu võti peitub täpses lainevõrrandi modelleerimises, tõhusates gradiendi arvutustes adjuint-state meetodi abil ja optimeerimisstrateegiates, mis väldivad lokaalseid miinimume, näiteks tsükli vahelejätmist. Vaatamata suurele arvutuslikule nõudlusele ja hoolikale töövoo kavandamisele on täielik lainekuju inversioon osutunud väga võimsaks lähenemisviisiks maakera pildistamisel ja ressursside uurimisel.
Soovi korral võin jätkata tehnilisemate järelartiklitega – näiteks arutades formaalsemalt adjungeeritud gradiendi tuletamist, FWI pseudokoodi näiteid või ribapääs- ja akendamispõhiseid mitmeskaalalisi strateegiaid reaalsete andmete jaoks.
