Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluane
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, atténuation des catastrophes, 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, Ressource komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan Concept Dasar FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Qu'est-ce que l'inversion de forme d'onde complète ?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat données sismiques 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.
Les différences fondamentales entre l'inversion de forme d'onde complète (FWI) et les autres méthodes d'inversion sont les suivantes :
– 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.
– L’inversion de forme d’onde complète (FWI) est un problème d’optimisation non linéaire à grande échelle, car les paramètres du modèle (par exemple, les vitesses des ondes P ou S) peuvent représenter des millions de cellules sur une grille 2D/3D.
-
3. Principaux composants d'une FWI
3.1 Données d'observation et données synthétiques
FWI exige :
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Les données synthétiques sont calculées en résolvant l'équation d'onde (par exemple, l'équation d'onde acoustique) :
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
où \( v(\mathbf{x}) \) est la vitesse de l'onde, \( p \) est la pression scalaire/onde et \( s \) est la source.
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.
Le modèle initial est généralement obtenu à partir de :
– inversi traveltime (tomografi),
– modèles de macro-vitesse issus de l'analyse géologique,
– ou une approche multi-échelle (en commençant par les basses fréquences).
3.3 Fonction objectif (écart)
Fonctions objectives communes :
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
où \( m \) est un paramètre du modèle (par exemple, la vitesse), \( s \) est l'indice de la source et \( r \) est l'indice du récepteur.
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 .
L'image intuitive :
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Calculez le résidu des données \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Avec cette technique, le coût de calcul du gradient est à peu près équivalent à deux fois la modélisation des ondes par source (directe + adjointe), il reste donc important mais réalisable sur HPC/GPU.
3.5 Schéma de mise à jour du modèle (optimisation)
Une fois le gradient \( \nabla J \) obtenu, le modèle est mis à jour à l'aide d'une méthode d'optimisation, par exemple :
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– ou méthode de Newton/Quasi-Newton.
Mises à jour de base :
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Flux de travail de l'algorithme FWI (Résumé)
En général, l'inversion de forme d'onde complète (FWI) s'exécute de manière itérative :
1. Sélectionnez le modèle initial \( m_0 \).
2. Pour chaque source :
– effectuer une modélisation directe → données synthétiques,
– calculer les résidus par rapport aux données d'observation,
– effectuer une modélisation adjointe,
– accumulation par gradient.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Mettre à jour le modèle avec des méthodes d'optimisation.
5. Répéter jusqu'à convergence ou jusqu'à ce que la limite d'itérations soit atteinte.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Principaux défis de l'inversion de la forme d'onde complète
5.1 Cycle Skipping
Il s'agit du problème le plus connu. Lorsque les données synthétiques et observées ne sont pas « en phase », l'écart de niveau 2 peut conduire l'optimisation vers de faux minima locaux. La solution générale :
– en commençant par des fréquences très basses,
– améliorer le modèle initial (tomographie),
– en utilisant des alternatives marginales,
– menerapkan time windowing dan strategi data selection .
5.2 Coût de calcul
L'inversion de forme d'onde complète 3D (FWI) avec sources multiples peut nécessiter des milliers, voire des millions, de simulations de formes d'onde. Cela requiert :
– calcul parallèle (cluster, GPU),
– sauvegarde en mémoire (point de contrôle pour sauvegarder les champs d'ondes),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Inadéquation physique et bruit
Les données de terrain contiennent du bruit, des effets instrumentaux, de l'anisotropie, de l'atténuation (Q), une topographie complexe et des incertitudes liées à la source. Si la modélisation directe est trop simpliste (par exemple, acoustique alors que le milieu est élastique), les résultats de l'inversion peuvent être biaisés.
5.4 Paramétrage du modèle
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. Demande FWI
L'inversion de la forme d'onde (FWI) est largement utilisée pour :
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– géothermie : cartographie des zones de fracture et des changements lithologiques,
– sismologie globale/régionale : imagerie du manteau et de la croûte,
– Ingénierie géotechnique et de subsurface : cartographie superficielle pour les fondations, les tunnels et les mesures d’atténuation.
Les avantages de l'inversion de forme d'onde complète (FWI) sont évidents lorsque le milieu est complexe et que les données sont riches en informations sur les ondes : les petites diffractions, les trajets multiples et les multiples, généralement considérés comme des interférences, peuvent en réalité être des sources d'information.
-
7. Penutup
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 Ressource.
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.
