Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, mitigación de desastres, 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, recurso komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan conceptos básicos FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Que é a inversión completa da forma de onda?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat datos sísmicos 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.
As diferenzas fundamentais entre FWI e outros métodos de inversión son:
– 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.
– 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:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
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 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.
O modelo inicial obtense normalmente a partir de:
– inversi traveltime (tomografi),
– 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.
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 .
A imaxe intuitiva:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Calcula o residuo de datos Δd = 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.
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:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– ou método de Newton/cuasi-Newton.
Actualizacións básicas:
\[
m_{k+1} = m_k – α_k, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. 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. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Actualizar o modelo con métodos de optimización.
5. Repetir ata que se alcance a converxencia ou o límite de iteración.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Principais desafíos na FWI
5.1 Cycle Skipping
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,
– menerapkan time windowing dan strategi data selection .
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),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
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
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. Solicitude FWI
A FWI úsase amplamente para:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– 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
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 recurso.
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.
