Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Introduzione
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, mitigazione dei disastri, 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, risorsa komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan concetti di base FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Cos'è l'inversione completa della forma d'onda?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat dati sismici 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.
Le differenze fondamentali tra FWI e altri metodi di inversione sono:
– 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.
– La FWI è un problema di ottimizzazione non lineare su larga scala, poiché i parametri del modello (ad esempio, le velocità delle onde P o S) possono essere milioni di celle su una griglia 2D/3D.
-
3. Componenti principali in FWI
3.1 Dati osservazionali e dati sintetici
FWI richiede:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
I dati sintetici vengono calcolati risolvendo l'equazione d'onda (ad esempio, l'equazione d'onda acustica):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
dove \( v(\mathbf{x}) \) è la velocità dell'onda, \( p \) è la pressione scalare/onda e \( s \) è la sorgente.
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.
Il modello iniziale si ottiene solitamente da:
– inversi traveltime (tomografi),
– modelli di velocità macroscopica da analisi geologiche,
– oppure un approccio multiscala (partendo dalle basse frequenze).
3.3 Funzione obiettivo (Disadattamento)
Funzioni obiettivo comuni:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
dove \( m \) è un parametro del modello (ad esempio, la velocità), \( s \) è l'indice della sorgente e \( r \) è l'indice del ricevitore.
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 .
L'immagine intuitiva:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Calcolare il residuo dei dati \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Con questa tecnica, il costo computazionale del gradiente è all'incirca equivalente al doppio della modellazione delle onde per sorgente (diretta + aggiunta), quindi è ancora elevato ma fattibile su HPC/GPU.
3.5 Schema di aggiornamento del modello (ottimizzazione)
Una volta ottenuto il gradiente \( \nabla J \), il modello viene aggiornato utilizzando un metodo di ottimizzazione, ad esempio:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– oppure metodo di Newton/quasi-Newton.
Aggiornamenti di base:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Flusso di lavoro dell'algoritmo FWI (versione concisa)
In generale, FWI viene eseguito in modo iterativo:
1. Selezionare il modello iniziale \( m_0 \).
2. Per ciascuna fonte:
– eseguire la modellazione diretta → dati sintetici,
– calcolare i residui rispetto ai dati di osservazione,
– eseguire la modellazione aggiunta,
– Accumulo del gradiente.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Aggiornare il modello con metodi di ottimizzazione.
5. Ripetere fino alla convergenza o al raggiungimento del limite di iterazioni.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Principali sfide nell'ambito dell'infrastruttura di scambio idrico
5.1 Cycle Skipping
Questo è il problema più noto. Quando i dati sintetici e quelli osservati non sono "in fase", la discrepanza L2 può portare l'ottimizzazione a falsi minimi locali. La soluzione generale:
– partendo da frequenze molto basse,
– migliorare il modello iniziale (tomografia),
– utilizzando alternative non convenzionali,
– menerapkan time windowing dan strategi data selection .
5.2 Costo computazionale
La FWI 3D con sorgenti multiple può richiedere da migliaia a milioni di simulazioni di forme d'onda. Ciò richiede:
– calcolo parallelo (cluster, GPU),
– salvataggio della memoria (checkpoint per salvare i campi d'onda),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Disallineamento tra fisica e rumore
I dati sul campo contengono rumore, effetti strumentali, anisotropia, attenuazione (Q), topografia complessa e incertezza della sorgente. Se la modellazione diretta è troppo semplice (ad esempio, acustica quando il mezzo è elastico), i risultati dell'inversione possono essere distorti.
5.4 Parametrizzazione del modello
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. Domanda FWI
FWI è ampiamente utilizzato per:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geotermico: mappatura delle zone di frattura e dei cambiamenti litologici,
– sismologia globale/regionale: imaging del mantello e della crosta,
– Ingegneria geotecnica e del sottosuolo: mappatura superficiale per fondazioni, gallerie e interventi di mitigazione.
I vantaggi della FWI (Full Waveform Inversion) sono evidenti quando il mezzo è complesso e i dati sono ricchi di informazioni sulle onde: piccole diffrazioni, percorsi multipli e riflessioni multiple, che di solito vengono considerate interferenze, possono in realtà essere fonti di informazione.
-
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 risorsa.
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.
