Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, lughdachadh tubaistean, 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, goireas komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan bun-bheachdan FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Dè a th’ ann an làn-thionndadh tonn-chruth?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat dàta crith-thalmhainn 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 prìomh eadar-dhealachaidhean eadar FWI agus dòighean tionndaidh eile:
– 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.
– ’S e duilgheadas leasachaidh neo-loidhneach air sgèile mhòr a th’ ann an FWI, leis gum faod paramadairean a’ mhodail (me, astaran tonn-P no tonn-S) milleanan de cheallan a chur air clàr 2D/3D.
-
3. Prìomh phàirtean ann an FWI
3.1 Dàta Amharcach agus Dàta Co-chur
Feumaidh FWI:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Tha dàta sintéiseach air a thomhas le bhith a’ fuasgladh co-aontar na tonn (m.e. co-aontar na tonn fuaimneach):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} - \nabla^2 p = s(\mathbf{x},t)
\]
far a bheil \(v(\mathbf{x}) \) na luaths tonn, \(p \) an cuideam/tonn sgalar, agus \(s \) an stòr.
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.
Mar as trice gheibhear am modail tùsail bho:
– inversi traveltime (tomografi),
– modailean macro-astar bho mhion-sgrùdadh geòlais,
– no dòigh-obrach ioma-sgèile (a’ tòiseachadh bho triceadan ìosal).
3.3 Gnìomh Amasach (Neo-fhreagarrach)
Gnìomhan amas cumanta:
\[
J(m) = \frac{1}{2}\sum_{s}\sum_{r}\int (d_{syn}(t; m) - d_{\obs}(t))^2 \, dt
\]
far a bheil \(m \) na pharaimeadar modail (m.e., astar), \(s \) na chlàr-amais tùsail, agus \(r \) na chlàr-amais glacadair.
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 dealbh intuitive:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Obraich a-mach fuigheall an dàta (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 dòigh seo, tha cosgais coimpiutaireachd a’ chlaonaidh co-ionann ri dà uiread modaladh tonn gach stòr (air adhart + co-cheangailte), agus mar sin tha e fhathast mòr ach comasach air HPC/GPU.
3.5 Sgeama Ùrachaidh Modail (Leasachadh)
Cho luath ‘s a gheibhear an claonadh \( \nabla J \), thèid am modail ùrachadh le bhith a’ cleachdadh dòigh-obrach leasachaidh, mar eisimpleir:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– no dòigh Newton/Quasi-Newton.
Ùrachaidhean bunaiteach:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Sruth-obrach Algairim FWI (Goirid)
San fharsaingeachd, bidh FWI ag obair gu h-ath-aithriseach:
1. Tagh am modail tùsail \(m_0 \).
2. Airson gach stòr:
– dèan modaladh air adhart → dàta sintéiseach,
– obraich a-mach na fuigheallan an aghaidh dàta an amhairc,
– dèan modaladh co-cheangailte,
- cruinneachadh caisead.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Ùraich am modail le dòighean leasachaidh.
5. Dèan a-rithist gus an ruig thu an co-chruinneachadh no crìoch an ath-aithris.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Prìomh Dhùbhlain ann an FWI
5.1 Cycle Skipping
Is e seo an duilgheadas as aithnichte. Nuair nach eil dàta synthetigeach agus dàta a chaidh fhaicinn “ann an ìre,” faodaidh mì-fhreagarrachd L2 leantainn gu optimization gu minima ionadail meallta. Am fuasgladh coitcheann:
– a’ tòiseachadh bho triceadan glè ìosal,
– am modail tùsail (tomografaireachd) a leasachadh,
– a’ cleachdadh mì-fhreagarrachd eile,
– menerapkan time windowing dan strategi data selection .
5.2 Cosgais Àireamhachaidh
Dh’fhaodadh gum bi feum air mìltean gu milleanan de shamhlaidhean tonn-chruth airson FWI 3D le iomadh stòr. Tha seo ag iarraidh:
– coimpiutaireachd co-shìnte (cruinnear, GPU),
– sàbhaladh cuimhne (puing-sgrùdaidh gus raointean tonn a shàbhaladh),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Neo-cho-fhreagarrachd Fiosaigs agus Fuaime
Tha dàta achaidh a’ gabhail a-steach fuaim, buaidhean ionnstramaidean, anisotropy, lughdachadh (Q), cruinn-eòlas iom-fhillte, agus mì-chinnt stòrais. Ma tha am modaladh air adhart ro shìmplidh (me, fuaimneach nuair a tha am meadhan elastagach), faodaidh na toraidhean tionndaidh a bhith claon.
5.4 Paramadaireachadh Modail
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. Iarrtas FWI
Tha FWI air a chleachdadh gu farsaing airson:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– lùth geo-theirmeach: mapadh raointean briste agus atharrachaidhean litologach,
– seismeòlas cruinneil/roinneil: ìomhaighean den mhantail agus den rùsg,
– innleadaireachd geo-theicnigeach agus faisg air an uachdar: mapadh eu-domhainn airson bunaitean, tunailean, agus lasachadh.
Tha buannachdan FWI follaiseach nuair a tha am meadhan iom-fhillte agus an dàta beairteach ann am fiosrachadh tonn: faodaidh diffractions beaga, ioma-shlighean, agus iomadan a thathas mar as trice a’ meas mar eadar-theachd a bhith nan stòran fiosrachaidh.
-
7. Co-dhùnadh
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 goireas.
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.
