Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, mitigasi bencana, 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, sumber daya komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan konsep dasar FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
—
2. Apa itu Full Waveform Inversion?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat data seismik 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.
Perbedaan mendasar FWI dibanding metode inversi lain adalah:
– 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.
– FWI adalah masalah optimasi nonlinier skala besar, karena parameter model (misalnya kecepatan gelombang P atau S) bisa berjumlah jutaan sel pada grid 2D/3D.
—
3. Komponen Utama dalam FWI
3.1 Data Observasi dan Data Sintetik
FWI membutuhkan:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Data sintetik dihitung dengan menyelesaikan persamaan gelombang (misalnya persamaan gelombang akustik):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
di mana \( v(\mathbf{x}) \) adalah kecepatan gelombang, \( p \) adalah tekanan/gelombang skalar, dan \( s \) adalah sumber.
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.
Model awal biasanya diperoleh dari:
– inversi traveltime (tomografi),
– model kecepatan makro dari analisis geologi,
– atau pendekatan multiskala (mulai dari frekuensi rendah).
3.3 Fungsi Objektif (Misfit)
Fungsi objektif yang umum:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
dengan \( m \) adalah parameter model (misalnya kecepatan), \( s \) indeks sumber, dan \( r \) indeks receiver.
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 .
Gambaran intuitifnya:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Hitung residu data \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Dengan teknik ini, biaya komputasi gradien kira-kira setara dengan dua kali pemodelan gelombang per sumber (forward + adjoint), sehingga masih besar namun feasible pada HPC/GPU.
3.5 Skema Pembaruan Model (Optimasi)
Setelah gradien \( \nabla J \) diperoleh, model diperbarui menggunakan metode optimasi, misalnya:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– atau metode Newton/Quasi-Newton.
Pembaruan dasar:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
—
4. Alur Kerja Algoritma FWI (Ringkas)
Secara umum, FWI berjalan iteratif:
1. Pilih model awal \( m_0 \).
2. Untuk setiap sumber:
– lakukan forward modeling → data sintetik,
– hitung residu terhadap data observasi,
– lakukan adjoint modeling,
– akumulasi gradien.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Perbarui model dengan metode optimasi.
5. Ulangi sampai konvergen atau mencapai batas iterasi.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
—
5. Tantangan Utama dalam FWI
5.1 Cycle Skipping
Ini adalah masalah paling terkenal. Ketika data sintetik dan observasi tidak “sefase”, misfit L2 bisa menuntun optimasi ke minimum lokal yang salah. Solusi umum:
– memulai dari frekuensi sangat rendah,
– memperbaiki model awal (tomografi),
– menggunakan misfit alternatif,
– menerapkan time windowing dan strategi data selection .
5.2 Biaya Komputasi
FWI 3D dengan banyak sumber bisa memerlukan ribuan hingga jutaan simulasi gelombang. Ini menuntut:
– komputasi paralel (cluster, GPU),
– penghematan memori (checkpointing untuk menyimpan wavefield),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Ketidakcocokan Fisika dan Noise
Data lapangan mengandung noise, efek instrumen, anisotropi, atenuasi (Q), topografi kompleks, dan ketidakpastian sumber. Jika forward modeling terlalu sederhana (misalnya akustik padahal medium elastik), hasil inversi bisa bias.
5.4 Parameterisasi Model
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. Aplikasi FWI
FWI digunakan luas untuk:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– panas bumi: memetakan zona rekahan dan perubahan litologi,
– seismologi global/regional: pencitraan mantel dan kerak,
– rekayasa geoteknik dan near-surface: pemetaan dangkal untuk fondasi, terowongan, dan mitigasi.
Keunggulan FWI tampak jelas ketika medium kompleks dan data kaya akan informasi gelombang: difraksi kecil, multipath, dan multiple yang biasanya dianggap gangguan dapat justru menjadi sumber informasi.
—
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 sumber daya.
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.
