Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, ka hoʻēmi ʻana i nā pōpilikia, 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, kumuwaiwai komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan nā manaʻo kumu FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. He aha ka hoʻohuli ʻana o ka nalu piha?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat ʻikepili seismic 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.
ʻO nā ʻokoʻa nui ma waena o FWI a me nā ʻano hana hoʻohuli ʻē aʻe:
– 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.
– He pilikia hoʻonui nonlinear nui ka FWI, no ka mea, hiki i nā palena kumu hoʻohālike (e.g., nā wikiwiki o ka nalu P- a i ʻole S-) ke helu i nā miliona o nā cell ma kahi grid 2D/3D.
-
3. Nā ʻĀpana Nui ma FWI
3.1 ʻIkepili Nānā a me ka ʻIkepili Hana
Pono ʻo FWI:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Ua helu ʻia ka ʻikepili synthetic ma ka hoʻoponopono ʻana i ka hoohalike nalu (e.g. ka hoohalike nalu acoustic):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partal t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
kahi ʻo \( v(\mathbf{x}) \) ka wikiwiki o ka nalu, ʻo \( p \) ke kaomi scalar/nalu, a ʻo \( s \) ke kumu.
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.
ʻO ka maʻamau, loaʻa ke kumu hoʻohālike mua mai:
– inversi traveltime (tomografi),
- nā kumu hoʻohālike wikiwiki macro mai ka loiloi geological,
– a i ʻole kahi ala multiscale (e hoʻomaka ana mai nā alapine haʻahaʻa).
3.3 Hana Pahuhopu (Kuhihewa)
Nā hana pahuhopu maʻamau:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
kahi ʻo \( m \) kahi palena hoʻohālike (e.g., wikiwiki), ʻo \( s \) ka helu kumu, a ʻo \( r \) ka helu mea loaʻa.
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 .
ʻO ke kiʻi intuitive:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. E helu i ke koena ʻikepili \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Me kēia ʻano hana, ʻo ke kumukūʻai helu o ka gradient ua like ia me ka pālua o ke kumu hoʻohālike nalu no kēlā me kēia kumu (mua + adjoint), no laila he nui nō naʻe akā hiki ke hana ʻia ma HPC/GPU.
3.5 Papahana Hoʻohou Hoʻohālike (Hoʻonui ʻia)
Ke loaʻa ka gradient \( \nabla J \), hoʻohou ʻia ke kumu hoʻohālike me ka hoʻohana ʻana i kahi ʻano hana hoʻonui, no ka laʻana:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– a i ʻole ke ʻano hana Newton/Quasi-Newton.
Nā mea hou maʻamau:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Kaʻina Hana Algorithm FWI (Pōkole)
Ma keʻano laulā, holo pinepine ʻo FWI:
1. Koho i ke kumu hoʻohālike mua \( m_0 \).
2. No kēlā me kēia kumu:
– hana i ke kumu hoʻohālike i mua → ʻikepili synthetic,
- e helu i nā koena e kūʻē i ka ʻikepili nānā ʻana,
- hana i ke kumu hoʻohālike adjoint,
– ka hōʻiliʻili ʻana o ka gradient.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Hoʻohou i ke kumu hoʻohālike me nā ʻano hana hoʻonui.
5. E hana hou a hiki i ka hui ʻana a i ʻole ka palena iteration.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Nā Pilikia Nui ma FWI
5.1 Cycle Skipping
ʻO kēia ka pilikia i ʻike nui ʻia. Ke ʻole "ma ke ʻano" ka ʻikepili synthetic a me ka ʻikepili i nānā ʻia, hiki i ka L2 misfit ke alakaʻi i ka optimization i ka minima kūloko wahaheʻe. ʻO ka hopena maʻamau:
- e hoʻomaka ana mai nā alapine haʻahaʻa loa,
- hoʻomaikaʻi i ke kumu hoʻohālike mua (tomography),
- ka hoʻohana ʻana i nā ʻano like ʻole,
– menerapkan time windowing dan strategi data selection .
5.2 Kumukūʻai Heluhelu
Hiki i ka 3D FWI me nā kumu he nui ke koi aku i nā tausani a i nā miliona o nā hoʻohālikelike nalu. Pono kēia:
- ka helu ʻana like (hui, GPU),
- mālama hoʻomanaʻo (nānā e mālama i nā kahua nalu),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 ʻO ke ʻano o ka ʻepekema a me ka walaʻau
Aia i loko o ka ʻikepili kahua ka walaʻau, nā hopena o ka mea kani, ka anisotropy, ka attenuation (Q), ka topography paʻakikī, a me ka maopopo ʻole o ke kumu. Inā maʻalahi loa ke ʻano hoʻohālike i mua (e.g., acoustic i ka wā elastic ai ka medium), hiki ke hoʻopilikia ʻia nā hopena inversion.
5.4 Nā Palena Hoʻohālike
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. Noi FWI
Hoʻohana nui ʻia ka FWI no:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geothermal: ke kaha palapala ʻana i nā ʻāpana haki a me nā loli lithological,
– ke seismology honua/ʻāpana: ke kiʻi ʻana i ka mantle a me ka ʻili,
– ʻenekinia geotechnical a me ka ʻenekinia kokoke i ka ʻili: palapala ʻāina pāpaʻu no nā kahua, nā tunnels, a me ka hoʻēmi ʻana.
ʻIke ʻia nā pono o FWI i ka wā e paʻakikī ai ka waena a waiwai ka ʻikepili i ka ʻike nalu: ʻo nā diffractions liʻiliʻi, nā multipaths, a me nā multiples i manaʻo ʻia he keakea hiki ke lilo i mau kumu ʻike.
-
7. Hopena
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 kumuwaiwai.
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.
