Introdución ao algoritmo de inversión de forma de onda completa (FWI)
1. Pendahuluan
Na xeofísica moderna, a necesidade de "ver" a estrutura do subsolo terrestre é cada vez maior. A industria enerxética, a mitigación de desastres, a exploración xeotérmica e mesmo a investigación tectónica requiren modelos detallados do subsolo: como cambia a velocidade das ondas sísmicas coa profundidade, onde se atopan os límites das capas de rocha e como as pequenas heteroxeneidades poden afectar a propagación das ondas. Unha das abordaxes máis potentes para este propósito é a inversión completa da forma de onda (FWI), un algoritmo de inversión que utiliza información completa das formas de onda sísmicas para estimar os parámetros físicos do subsolo.
A FWI adoita denominarse o "patrón de ouro" da inversión sísmica porque pode producir imaxes do subsolo de alta resolución, superando os enfoques convencionais que só empregan o tempo de percorrido ou a amplitude simple. Non obstante, esta potencia ten un prezo: a FWI require unha modelización de ondas precisa, recursos informáticos substanciais e estratexias de optimización coidadosas para evitar caer en solucións erróneas.
Este artigo presenta os conceptos básicos de FWI, os principais compoñentes do seu algoritmo e os desafíos e estratexias xerais na súa implementación.
-
2. Que é a inversión completa da forma de onda?
En poucas palabras, o FWI é o proceso de atopar un modelo do subsolo que mellor coincida cos datos sísmicos simulados cos datos sísmicos observados. O "mellor axuste" defínese mediante unha función obxectiva (desaxuste), como a diferenza ao cadrado entre os datos observados e os sintéticos en cada punto temporal e en cada receptor.
As diferenzas fundamentais entre FWI e outros métodos de inversión son:
– FWI usa a forma de onda completa (fase, amplitude, interferencia, múltiple, difracción), non só a selección do tempo de chegada.
A FWI baséase na resolución da ecuación de onda (acústica, elástica ou anelástica) para simular datos sintéticos.
– A FWI é un problema de optimización non lineal a grande escala, porque os parámetros do modelo (por exemplo, as velocidades das ondas P ou S) poden sumar millóns de celas nunha malla 2D/3D.
-
3. Principais compoñentes en FWI
3.1 Datos observacionais e datos sintéticos
A FWI require:
– Datos de observación: rexistros sísmicos de campo (recollida de disparos) procedentes de diversas fontes e receptores.
– Datos sintéticos: resultados da simulación numérica da propagación de ondas nun modelo temporal.
Os datos sintéticos calcúlanse resolvendo a ecuación de onda (por exemplo, a ecuación de onda acústica):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
onde \(v(\mathbf{x}) \) é a velocidade da onda, \(p \) é a presión/onda escalar e \(s \) é a fonte.
3.2 Modelo inicial
O FWI é moi sensible ao modelo inicial. Se o modelo inicial está demasiado lonxe das condicións reais, o algoritmo pode experimentar saltos de ciclo, que ocorre cando a diferenza de fase entre os datos sintéticos e os observados é superior a medio período, o que fai que o gradiente empurre a solución na dirección incorrecta.
O modelo inicial obtense normalmente a partir de:
– inversión do tempo de viaxe (tomografía),
– modelos macro de velocidade a partir de análises xeolóxicas,
– ou unha abordaxe multiescala (partindo de baixas frecuencias).
3.3 Función obxectivo (desaxuste)
Funcións obxectivas comúns:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m) - d_{\text{obs}}(t))^2 \, dt
\]
onde \(m\) é un parámetro do modelo (por exemplo, a velocidade), \(s\) é o índice da fonte e \(r\) é o índice do receptor.
Ademais do desaxuste clásico de L2, tamén existen desaxustes alternativos para reducir a omisión de ciclos, por exemplo:
– desaxuste baseado en envolvente,
– desaxuste só de fase,
– transporte óptimo (Wasserstein),
– ou filtros coincidentes.
3.4 Cálculo do gradiente: método de estado adxunto
Unha das características clave de FWI é como calcular gradientes de forma eficiente. Debido a que o número de parámetros do modelo é tan grande, a derivación numérica directa é imposible. A solución é o método de estado adxunto.
A imaxe intuitiva:
1. Modelado directo: calcula o campo de onda directo a partir da fonte no modelo actual.
2. Calcula o residuo de datos Δd = d_{\text{syn}} – d_{\text{obs}}).
3. Modelado adxunto: inxectar o residual como "fonte de retorno" desde a posición do receptor e propagalo cara atrás no tempo.
4. A correlación entre os campos de onda directa e adxunta produce un gradiente nos parámetros do modelo.
Con esta técnica, o custo computacional do gradiente é aproximadamente equivalente ao dobre da modelaxe de onda por fonte (directa + adxunta), polo que segue sendo grande pero viable en HPC/GPU.
3.5 Esquema de actualización do modelo (optimización)
Unha vez obtido o gradiente \( \nabla J \), o modelo actualízase mediante un método de optimización, por exemplo:
– Descenso máis pronunciado (o máis sinxelo),
– Gradiente conxugado,
– L-BFGS (úsase habitualmente porque é eficiente para problemas grandes),
– ou método de Newton/cuasi-Newton.
Actualizacións básicas:
\[
m_{k+1} = m_k – α_k, H_k^{-1}\nabla J(m_k)
\]
onde \( \alpha_k \) é a lonxitude do paso e \( H_k^{-1} \) é a aproximación hessiana inversa (por exemplo, en L-BFGS).
-
4. Fluxo de traballo do algoritmo FWI (conciso)
En xeral, FWI execútase iterativamente:
1. Selecciona o modelo inicial \( m_0 \).
2. Para cada fonte:
– facer modelaxe cara adiante → datos sintéticos,
– calcular os residuos fronte aos datos de observación,
– facer modelaxe adxunta,
– acumulación de gradiente.
3. Aplicar o preacondicionamento (por exemplo, compensación ou suavizado da iluminación).
4. Actualizar o modelo con métodos de optimización.
5. Repetir ata que se alcance a converxencia ou o límite de iteración.
Normalmente, o FWI execútase a varias escalas, comezando en frecuencias baixas (corrixindo os compoñentes do modelo a grande escala) e despois subindo a frecuencias máis altas (engadindo detalles).
-
5. Principais desafíos na FWI
5.1 Salto de ciclo
Este é o problema máis coñecido. Cando os datos sintéticos e observados non están "en fase", o desaxuste L2 pode levar á optimización a mínimos locais falsos. A solución xeral:
– comezando desde frecuencias moi baixas,
– mellorar o modelo inicial (tomografía),
– empregando inadaptacións alternativas,
– aplicar estratexias de selección de datos e de creación de ventás temporais.
5.2 Custo computacional
A FWI 3D con varias fontes pode requirir miles ou millóns de simulacións de formas de onda. Isto require:
– computación paralela (clúster, GPU),
– gardado en memoria (puntos de control para gardar campos de onda),
– así como estratexias de selección de subconxuntos de orixe (codificación de orixe ou mini-lotes como a aprendizaxe automática).
5.3 Desaxuste entre física e ruído
Os datos de campo conteñen ruído, efectos de instrumentos, anisotropía, atenuación (Q), topografía complexa e incerteza da fonte. Se a modelización directa é demasiado simple (por exemplo, acústica cando o medio é elástico), os resultados da inversión poden estar sesgados.
5.4 Parametrización do modelo
Escoller que parámetros inverter (por exemplo, \(v_p\), densidade, \(v_s\), anisotropía, Q) afecta á sensibilidade e á estabilidade. Demasiados parámetros poden causar compensacións e empeorar a converxencia.
-
6. Solicitude FWI
A FWI úsase amplamente para:
– exploración de petróleo e gas: mellora da resolución dos modelos de velocidade, axuda á migración e á interpretación das estruturas,
– xeotérmica: mapeo de zonas de fractura e cambios litolóxicos,
– sismoloxía global/rexional: imaxes do manto e da codia,
– enxeñaría xeotécnica e de superficie próxima: cartografía superficial para cimentacións, túneles e mitigación.
As vantaxes da FWI son evidentes cando o medio é complexo e os datos son ricos en información de onda: as pequenas difraccións, as multitraxectorias e os múltiples que normalmente se consideran interferencia poden ser en realidade fontes de información.
-
7. Conclusión
A inversión completa de formas de onda é un algoritmo de inversión sísmica que aproveita a rica información contida nas formas de onda para construír modelos de subsolo de alta resolución. A súa clave para o éxito reside na modelización precisa da ecuación de onda, nos cálculos eficientes do gradiente mediante o método de estado adxunto e nas estratexias de optimización que evitan mínimos locais como o salto de ciclos. A pesar das súas altas esixencias computacionais e do deseño coidadoso do fluxo de traballo, a FWI demostrou ser unha potente estratexia na xeoimaxinación e na exploración de recursos.
Se queres, podo continuar con artigos de seguimento máis técnicos, por exemplo, discutindo a derivación de gradiente adxunto de forma máis formal, exemplos de pseudocódigo FWI ou estratexias multiescala baseadas en pasabanda e fiestras para datos reais.
