Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, maolú tubaiste, 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, acmhainn komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan coincheapa bunúsacha FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Cad is Inbhéartú Tonnfhoirme Iomlán ann?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat sonraí seismeacha 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.
Is iad na difríochtaí bunúsacha idir FWI agus modhanna inbhéartaithe eile ná:
– 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.
– Is fadhb optamaithe neamhlíneach ar scála mór í FWI, toisc gur féidir leis na paraiméadair mhúnla (e.g., luasanna tonn-P nó tonn-S) na milliúin cealla a líon ar eangach 2T/3T.
-
3. Príomhchodanna in FWI
3.1 Sonraí Breathnóireachta agus Sonraí Sintéiseacha
Éilíonn FWI:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Ríomhtar sonraí sintéiseacha tríd an gcothromóid tonnta (e.g. an chothromóid tonnta fuaimiúla) a réiteach:
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} - \nabla^2 p = s(\mathbf{x},t)
\]
áit a seasann \(v(\mathbf{x}) \) do luas na tonnta, \(p \) don bhrú/tonn scalárach, agus \(s \) don fhoinse.
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.
De ghnáth, faightear an tsamhail tosaigh ó:
– inversi traveltime (tomografi),
– samhlacha macra-luas ó anailís gheolaíoch,
– nó cur chuige ilscála (ag tosú ó mhinicíochtaí ísle).
3.3 Feidhm Chuspóra (Mí-oiriúnach)
Feidhmeanna cuspóireacha coitianta:
\[
J(m) = \frac{1}{2}\sum_{s}\sum_{r} \int (d_{\text{syn}}(t; m) - d_{\text{obs}}(t))^2 \, dt
\]
áit a bhfuil \(m \) ina pharaiméadar samhail (e.g., luas), \(s \) ina innéacs foinse, agus \(r \) ina innéacs glacadóra.
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 .
An pictiúr iomasach:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Ríomh an t-iarmhar sonraí (Δd = d_syn – d_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.
Leis an teicníc seo, tá costas ríomhaireachtúil an ghrádáin coibhéiseach go garbh le dhá oiread mhúnlú na dtonnta in aghaidh an fhoinse (ar aghaidh + cúnta), mar sin tá sé fós mór ach indéanta ar HPC/GPU.
3.5 Scéim Nuashonraithe Múnla (Optamú)
Nuair a fhaightear an grádán \( \nabla J \), déantar an tsamhail a nuashonrú ag baint úsáide as modh optamaithe, mar shampla:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– nó modh Newton/Quasi-Newton.
Nuashonruithe bunúsacha:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Sreabhadh Oibre Algartam FWI (Gonta)
Go ginearálta, ritheann FWI go hathchleachtach:
1. Roghnaigh an tsamhail tosaigh \(m_0 \).
2. I gcás gach foinse:
– samhaltú ar aghaidh a dhéanamh → sonraí sintéiseacha,
– na hiarmhair a ríomh i gcoinne na sonraí breathnóireachta,
– samhaltú cúnta a dhéanamh,
– carnadh grádáin.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Nuashonraigh an tsamhail le modhanna optamaithe.
5. Déan arís go dtí go sroichtear an cóineasú nó an teorainn athrá.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Príomhdhúshláin in Infheistíocht Shaor in Aisce
5.1 Cycle Skipping
Seo an fhadhb is cáiliúla. Nuair nach mbíonn sonraí sintéiseacha agus breathnaithe “i gcéim,” is féidir le mí-oiriúnacht L2 uasmhéadú a bheith ina chúis le híosmhéideanna áitiúla bréagacha. An réiteach ginearálta:
– ag tosú ó mhinicíochtaí an-íseal,
– an tsamhail tosaigh (tomagrafaíocht) a fheabhsú,
– ag baint úsáide as mí-oiriúnachtaí malartacha,
– menerapkan time windowing dan strategi data selection .
5.2 Costas Ríomhaireachtúil
D’fhéadfadh go mbeadh na mílte go dtí na milliúin insamhaltaí tonnfhoirmeacha ag teastáil le haghaidh FWI 3T le foinsí iolracha. Éilíonn sé seo:
– ríomhaireacht chomhthreomhar (braisle, GPU),
– coigilt cuimhne (seicphointí chun réimsí tonnta a shábháil),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Neamhoiriúnacht Fisice agus Torainn
Tá torann, éifeachtaí ionstraimí, ainisotrópacht, maolú (Q), topagrafaíocht chasta, agus neamhchinnteacht foinse i sonraí allamuigh. Má tá an samhaltú ar aghaidh ró-shimplí (e.g., fuaimiúil nuair a bhíonn an meán leaisteach), is féidir claonadh a bheith sna torthaí inbhéartaithe.
5.4 Paraiméadú Múnla
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. Iarratas FWI
Úsáidtear FWI go forleathan le haghaidh:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geiteirmeach: mapáil criosanna briste agus athruithe liteolaíocha,
– seismeolaíocht dhomhanda/réigiúnach: íomháú maintlín agus screamh,
– innealtóireacht gheoiteicniúil agus gar-dhromchla: mapáil éadomhain le haghaidh bunsraitheanna, tolláin, agus maolú.
Is léir buntáistí FWI nuair a bhíonn an meán casta agus na sonraí saibhir in fhaisnéis thonnta: is féidir le difreactáin bheaga, ilchonairí, agus iolraithe a mheastar de ghnáth gur cur isteach iad a bheith ina bhfoinsí faisnéise i ndáiríre.
-
7. Conclúid
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 acmhainn.
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.
