Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Пендахулуан
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, апаттардың алдын алу, 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, ресурс komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan негізгі ұғымдар FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Толық толқын формасының инверсиясы дегеніміз не?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat сейсмикалық деректер 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.
FWI және басқа инверсиялық әдістер арасындағы негізгі айырмашылықтар:
– 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 – ауқымды сызықтық емес оңтайландыру мәселесі, себебі модель параметрлері (мысалы, P- немесе S-толқын жылдамдықтары) 2D/3D торда миллиондаған ұяшықтарды санай алады.
-
3. FWI негізгі компоненттері
3.1 Бақылау деректері және синтетикалық деректер
FWI мыналарды талап етеді:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Синтетикалық деректер толқын теңдеуін (мысалы, акустикалық толқын теңдеуін) шешу арқылы есептеледі:
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
мұндағы \(v(\mathbf{x}) \) - толқын жылдамдығы, \(p \) - скалярлық қысым/толқын, ал \(s \) - толқын көзі.
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.
Бастапқы модель әдетте келесіден алынады:
– inversi traveltime (tomografi),
– геологиялық талдаудан алынған макро жылдамдық модельдері,
– немесе көп масштабты тәсіл (төмен жиіліктерден бастап).
3.3 Мақсатты функция (сәйкес келмеу)
Жалпы мақсаттық функциялар:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
мұндағы \(m\) модель параметрі (мысалы, жылдамдық), \(s\) бастапқы индекс және \(r\) қабылдағыш индексі.
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 .
Интуитивті сурет:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Деректер қалдығының мәнін есептеңіз \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Бұл әдіспен градиенттің есептеу құны шамамен бір көзге (тура + жалғасқан) толқын модельдеуден екі есе көп, сондықтан ол әлі де үлкен, бірақ HPC/GPU-да мүмкін.
3.5 Модельді жаңарту схемасы (оңтайландыру)
Градиент \( \nabla J \) алынғаннан кейін, модель оңтайландыру әдісін пайдаланып жаңартылады, мысалы:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– немесе Ньютон/Квази-Ньютон әдісі.
Негізгі жаңартулар:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. FWI алгоритмінің жұмыс процесі (қысқаша)
Жалпы, FWI итеративті түрде орындалады:
1. Бастапқы үлгіні таңдаңыз \(m_0 \).
2. Әрбір дереккөз үшін:
– алға модельдеу → синтетикалық деректер жасау,
– қалдықтарды бақылау деректерімен салыстырыңыз,
- қосымша модельдеу жұмыстарын жүргізу,
– градиенттің жинақталуы.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Модельді оңтайландыру әдістерімен жаңартыңыз.
5. Конвергенция немесе итерация шегіне жеткенше қайталаңыз.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. FWI-дегі негізгі қиындықтар
5.1 Cycle Skipping
Бұл ең танымал мәселе. Синтетикалық және бақыланатын деректер «фазада» болмаған кезде, L2 сәйкессіздігі оңтайландыруды жалған жергілікті минимумдарға әкелуі мүмкін. Жалпы шешім:
– өте төмен жиіліктерден бастап,
– бастапқы модельді жақсарту (томография),
– балама сәйкессіздіктерді пайдалану,
– menerapkan time windowing dan strategi data selection .
5.2 Есептеу құны
Бірнеше көздерден тұратын 3D FWI мыңдаған немесе миллиондаған толқын пішінін модельдеуді қажет етуі мүмкін. Бұл мыналарды қажет етеді:
– параллель есептеулер (кластер, GPU),
– жадты сақтау (толқын өрістерін сақтау үшін бақылау нүктесін басу),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Физика мен шудың сәйкес келмеуі
Далалық деректерде шу, аспаптық әсерлер, анизотропия, әлсіреу (Q), күрделі топография және көздің белгісіздігі бар. Егер алға модельдеу тым қарапайым болса (мысалы, орта серпімді болған кезде акустикалық), инверсия нәтижелері біржақты болуы мүмкін.
5.4 Модельді параметрлеу
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. FWI өтінімі
FWI келесі мақсаттарда кеңінен қолданылады:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– геотермалдық: жарықшақ аймақтарын және литологиялық өзгерістерді картаға түсіру,
– жаһандық/аймақтық сейсмология: мантия мен жер қыртысын бейнелеу,
– геотехникалық және жер бетіне жақын инженерлік жұмыстар: іргетастарды, туннельдерді және салдарын азайту шараларын таяз картаға түсіру.
FWI артықшылықтары орта күрделі болғанда және деректер толқындық ақпаратқа бай болғанда айқын көрінеді: әдетте интерференция деп саналатын кіші дифракциялар, көп жолдар және еселіктер іс жүзінде ақпарат көзі бола алады.
-
7. Қорытынды
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 ресурс.
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.
