مقدمه‌ای بر الگوریتم وارونگی کامل شکل موج

مقدمه‌ای بر الگوریتم وارونگی کامل شکل موج (FWI)

1. پنداهولوان

در ژئوفیزیک مدرن، نیاز به «دیدن» ساختار زیرسطحی زمین رو به افزایش است. صنعت انرژی، کاهش بلایای طبیعی، اکتشافات زمین‌گرمایی و حتی تحقیقات تکتونیکی به مدل‌های زیرسطحی دقیقی نیاز دارند: اینکه چگونه سرعت امواج لرزه‌ای با عمق تغییر می‌کند، مرزهای لایه‌های سنگی در کجا قرار دارند و چگونه ناهمگنی‌های کوچک می‌توانند بر انتشار موج تأثیر بگذارند. یکی از قدرتمندترین رویکردها برای این منظور، وارونگی کامل موج (FWI) است، یک الگوریتم وارونگی که از اطلاعات کامل شکل موج‌های لرزه‌ای برای تخمین پارامترهای فیزیکی زیرسطحی استفاده می‌کند.

FWI اغلب به عنوان "استاندارد طلایی" وارونگی لرزه‌ای شناخته می‌شود، زیرا می‌تواند تصاویر زیرسطحی با وضوح بالا تولید کند و از رویکردهای مرسوم که فقط از زمان سیر یا دامنه ساده استفاده می‌کنند، پیشی بگیرد. با این حال، این قدرت بهایی دارد: FWI به مدل‌سازی دقیق موج، منابع محاسباتی قابل توجه و استراتژی‌های بهینه‌سازی دقیق نیاز دارد تا از افتادن در دام راه‌حل‌های نادرست جلوگیری شود.

این مقاله مفاهیم اساسی FWI، اجزای اصلی الگوریتم آن و چالش‌ها و استراتژی‌های کلی در پیاده‌سازی آن را معرفی می‌کند.

-

۲. وارونگی کامل شکل موج چیست؟

به عبارت ساده، FWI فرآیند یافتن یک مدل زیرسطحی است که به بهترین وجه داده‌های لرزه‌ای شبیه‌سازی شده را با داده‌های لرزه‌ای مشاهده‌شده مطابقت می‌دهد. "بهترین برازش" توسط یک تابع هدف (عدم برازش) تعریف می‌شود، مانند اختلاف مربع بین داده‌های مشاهده‌شده و مصنوعی در هر نقطه زمانی و در هر گیرنده.

تفاوت‌های اساسی بین FWI و سایر روش‌های وارونگی عبارتند از:
– FWI از کل شکل موج (فاز، دامنه، تداخل، چندگانه، پراش) استفاده می‌کند، نه فقط انتخاب زمان رسیدن.
– FWI برای شبیه‌سازی داده‌های مصنوعی به حل معادله موج (صوتی، الاستیک یا غیرالاستیک) متکی است.
- FWI یک مسئله بهینه‌سازی غیرخطی در مقیاس بزرگ است، زیرا پارامترهای مدل (مثلاً سرعت موج P یا S) می‌توانند میلیون‌ها سلول را در یک شبکه دوبعدی/سه‌بعدی شمارش کنند.

-

۳. اجزای اصلی در FWI

۳.۱ داده‌های مشاهداتی و داده‌های مصنوعی
FWI نیاز دارد:
– داده‌های مشاهداتی: داده‌های لرزه‌نگاری میدانی (داده‌های جمع‌آوری‌شده از شات) از منابع و گیرنده‌های مختلف.
– داده‌های مصنوعی: نتایج شبیه‌سازی عددی انتشار موج روی یک مدل موقت.

داده‌های مصنوعی با حل معادله موج (مثلاً معادله موج آکوستیک) محاسبه می‌شوند:

\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]

که در آن \( v(\mathbf{x}) \) سرعت موج، \( p \) فشار/موج اسکالر و \( s \) منبع است.

۳.۲ مدل اولیه
FWI به مدل اولیه بسیار حساس است. اگر مدل اولیه خیلی از شرایط واقعی فاصله داشته باشد، الگوریتم می‌تواند دچار پرش چرخه شود، یعنی زمانی که اختلاف فاز بین داده‌های مصنوعی و مشاهده‌شده بیش از نصف دوره باشد و باعث شود گرادیان، راه‌حل را در جهت اشتباه هدایت کند.

مدل اولیه معمولاً از رابطه زیر بدست می‌آید:
– وارونگی زمان سفر (توموگرافی)،
– مدل‌های سرعت ماکرو از تحلیل‌های زمین‌شناسی،
– یا یک رویکرد چندمقیاسی (با شروع از فرکانس‌های پایین).

۳.۳ تابع هدف (ناهماهنگی)
توابع هدف مشترک:

\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]

که در آن \(m \) یک پارامتر مدل (مثلاً سرعت)، \(s \) شاخص منبع و \(r \) شاخص گیرنده است.

علاوه بر ناجور بودن کلاسیک L2، ناجور بودن‌های جایگزینی نیز برای کاهش پرش چرخه وجود دارد، به عنوان مثال:
– عدم تطابق مبتنی بر پاکت،
- عدم تطابق فقط فاز،
- حمل و نقل بهینه (Wasserstein)
– یا فیلترهای منطبق.

۳.۴ محاسبه گرادیان: روش حالت الحاقی
یکی از ویژگی‌های کلیدی FWI، نحوه محاسبه کارآمد گرادیان‌ها است. از آنجا که تعداد پارامترهای مدل بسیار زیاد است، استخراج عددی مستقیم غیرممکن است. راه‌حل، روش حالت الحاقی است.

تصویر شهودی:
۱. مدل‌سازی رو به جلو: محاسبه میدان موج رو به جلو از منبع در مدل فعلی.
۲. باقیمانده داده‌ها را محاسبه کنید ( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
۳. مدل‌سازی الحاقی: باقیمانده را به عنوان یک «منبع بازگشتی» از موقعیت گیرنده تزریق کنید و آن را در زمان به عقب منتشر کنید.
۴. همبستگی بین میدان‌های موج رو به جلو و مجاور، گرادیانی برای پارامترهای مدل ایجاد می‌کند.

با این تکنیک، هزینه محاسباتی گرادیان تقریباً معادل دو برابر مدل‌سازی موج به ازای هر منبع (جلو + الحاقی) است، بنابراین هنوز هم بزرگ است اما در HPC/GPU امکان‌پذیر است.

۳.۵ طرح به‌روزرسانی مدل (بهینه‌سازی)
پس از بدست آوردن گرادیان \( \nabla J \) ، مدل با استفاده از یک روش بهینه‌سازی، به عنوان مثال، به‌روزرسانی می‌شود:
– تندترین شیب (ساده‌ترین)،
– گرادیان مزدوج،
– L-BFGS (معمولاً به دلیل کارایی بالا در مسائل بزرگ استفاده می‌شود)،
– یا روش نیوتن/شبه نیوتن.

به‌روزرسانی‌های پایه:

\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]

که در آن \( \alpha_k \) طول گام و \( H_k^{-1} \) تقریب معکوس هسین است (مثلاً در L-BFGS).

-

۴. گردش کار الگوریتم FWI (مختصر)

به طور کلی، FWI به صورت تکراری اجرا می‌شود:

۱. مدل اولیه (m_0) را انتخاب کنید.
۲. برای هر منبع:
- انجام مدل‌سازی رو به جلو → داده‌های مصنوعی،
- محاسبه باقیمانده‌ها در مقابل داده‌های مشاهده‌ای،
- انجام مدل‌سازی الحاقی،
- تجمع گرادیان.
۳. پیش‌نیازها (مثلاً جبران روشنایی یا هموارسازی) را اعمال کنید.
۴. مدل را با روش‌های بهینه‌سازی به‌روزرسانی کنید.
۵. تکرار کنید تا همگرایی یا حد تکرار حاصل شود.

معمولاً FWI در چند مقیاس اجرا می‌شود، از فرکانس‌های پایین شروع می‌شود (تصحیح اجزای مدل در مقیاس بزرگ) و سپس به فرکانس‌های بالاتر می‌رود (اضافه کردن جزئیات).

-

۵. چالش‌های اصلی در FWI

۵.۱ پرش از چرخه
این شناخته‌شده‌ترین مشکل است. وقتی داده‌های مصنوعی و مشاهده‌شده «هم‌فاز» نباشند، عدم‌برازش L2 می‌تواند بهینه‌سازی را به سمت حداقل‌های محلی کاذب سوق دهد. راه‌حل کلی:
- شروع از فرکانس‌های بسیار پایین،
- بهبود مدل اولیه (توموگرافی)
- استفاده از افراد ناجور جایگزین،
- اعمال پنجره‌بندی زمانی و استراتژی‌های انتخاب داده.

۵.۲ هزینه محاسباتی
شبیه‌سازی سه‌بعدی FWI با منابع متعدد می‌تواند به هزاران تا میلیون‌ها شبیه‌سازی شکل موج نیاز داشته باشد. این امر مستلزم موارد زیر است:
- محاسبات موازی (خوشه، پردازنده گرافیکی)
- صرفه‌جویی در حافظه (ایست بازرسی برای ذخیره میدان‌های موج)،
– و همچنین استراتژی‌های انتخاب زیرمجموعه منبع (رمزگذاری منبع یا یادگیری ماشینی دسته‌ای کوچک).

۵.۳ عدم تطابق فیزیک و نویز
داده‌های میدانی شامل نویز، اثرات دستگاهی، ناهمسانگردی، تضعیف (Q)، توپوگرافی پیچیده و عدم قطعیت منبع هستند. اگر مدل‌سازی رو به جلو خیلی ساده باشد (مثلاً آکوستیک وقتی محیط الاستیک است)، نتایج وارونگی می‌تواند بایاس داشته باشد.

۵.۴ پارامترسازی مدل
انتخاب اینکه کدام پارامترها معکوس شوند (مثلاً، \( v_p \)، چگالی، \( v_s \)، ناهمسانگردی، Q) بر حساسیت و پایداری تأثیر می‌گذارد. پارامترهای زیاد می‌توانند باعث ایجاد بده‌بستان و بدتر شدن همگرایی شوند.

-

۶. درخواست FWI

FWI به طور گسترده برای موارد زیر استفاده می‌شود:
– اکتشاف نفت و گاز: بهبود وضوح مدل‌های سرعت، کمک به مهاجرت و تفسیر ساختارها،
– زمین‌گرمایی: نقشه‌برداری از مناطق شکستگی و تغییرات سنگ‌شناسی،
– لرزه‌شناسی جهانی/منطقه‌ای: تصویربرداری از گوشته و پوسته
– مهندسی ژئوتکنیک و نزدیک به سطح: نقشه‌برداری کم‌عمق برای پی‌ها، تونل‌ها و کاهش خطرات

مزایای FWI زمانی آشکار می‌شود که محیط پیچیده و داده‌ها غنی از اطلاعات موج باشند: پراش‌های کوچک، چندمسیری‌ها و چند برابرهایی که معمولاً تداخل در نظر گرفته می‌شوند، در واقع می‌توانند منبع اطلاعات باشند.

-

7. پنوتاپ

وارونگی کامل شکل موج (Full Waveform Inversion) یک الگوریتم وارونگی لرزه‌ای است که از اطلاعات غنی موجود در شکل موج‌ها برای ساخت مدل‌های زیرسطحی با وضوح بالا استفاده می‌کند. کلید موفقیت آن در مدل‌سازی دقیق معادله موج، محاسبات گرادیان کارآمد با استفاده از روش حالت الحاقی و استراتژی‌های بهینه‌سازی است که از حداقل‌های محلی مانند پرش چرخه جلوگیری می‌کنند. با وجود نیازهای محاسباتی بالا و طراحی دقیق گردش کار، FWI ثابت کرده است که یک رویکرد قدرتمند در تصویربرداری جغرافیایی و اکتشاف منابع است.

اگر مایل باشید، می‌توانم با مقالات فنی بیشتری ادامه دهم - برای مثال، بحث رسمی‌تر در مورد مشتق گرادیان الحاقی، مثال‌های شبه‌کد FWI، یا استراتژی‌های چندمقیاسی مبتنی بر میان‌گذر و پنجره‌بندی برای داده‌های واقعی.