Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. 펜다훌루안
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, 재난 완화, 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, 자원 komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan 기본 개념 FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. 전체 파형 반전이란 무엇입니까?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat 지진 데이터 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.
FWI와 다른 역산 방법 간의 근본적인 차이점은 다음과 같습니다.
– 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.
FWI는 대규모 비선형 최적화 문제입니다. 왜냐하면 모델 매개변수(예: P파 또는 S파 속도)가 2D/3D 격자에서 수백만 개의 셀에 걸쳐 있을 수 있기 때문입니다.
-
3. FWI의 주요 구성 요소
3.1 관측 데이터와 합성 데이터
FWI 요구 사항:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
합성 데이터는 파동 방정식(예: 음파 방정식)을 풀어서 계산됩니다.
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
여기서 \( v(\mathbf{x}) \)는 파동 속도이고, \( p \)는 스칼라 압력/파동이며, \( s \)는 음원입니다.
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.
초기 모델은 일반적으로 다음으로부터 얻습니다.
– inversi traveltime (tomografi),
– 지질 분석을 통한 거시적 속도 모델
또는 다중 스케일 접근 방식(저주파수부터 시작).
3.3 목적 함수 (부적합)
일반적인 목적 함수:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
여기서 \( m \)은 모델 매개변수(예: 속도), \( s \)는 소스 인덱스, \( r \)은 수신기 인덱스입니다.
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 .
직관적인 그림:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. 데이터 잔차 \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \)를 계산합니다.
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.
이 기법을 사용하면 기울기 계산 비용은 소스당 파동 모델링(순방향 + 역방향)의 두 배에 해당하는 비용과 거의 같으므로 여전히 크지만 HPC/GPU에서 처리 가능합니다.
3.5 모델 업데이트 방식 (최적화)
기울기 \( \nabla J \)를 구한 후에는 최적화 방법을 사용하여 모델을 업데이트합니다. 예를 들면 다음과 같습니다.
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
또는 뉴턴/준뉴턴 방법.
기본 업데이트:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. FWI 알고리즘 워크플로우 (간략하게)
일반적으로 FWI는 반복적으로 실행됩니다.
1. 초기 모델 \( m_0 \)을 선택합니다.
2. 각 출처별로:
– 순방향 모델링 수행 → 합성 데이터 사용
- 관측 데이터와 잔차를 계산합니다.
- 역모델링을 수행합니다.
– 경사 누적.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. 최적화 방법을 사용하여 모델을 업데이트합니다.
5. 수렴하거나 반복 횟수 제한에 도달할 때까지 반복합니다.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. FWI의 주요 과제
5.1 Cycle Skipping
이는 가장 잘 알려진 문제입니다. 합성 데이터와 관측 데이터가 "동위상"이 맞지 않을 때, L2 불일치로 인해 최적화가 잘못된 지역 최소값에 빠질 수 있습니다. 일반적인 해결책은 다음과 같습니다.
-매우 낮은 주파수부터 시작해서,
– 초기 모델(단층촬영)을 개선합니다.
– 대안적인 부적응자를 활용하여,
– menerapkan time windowing dan strategi data selection .
5.2 계산 비용
다중 소스를 사용하는 3D FWI는 수천에서 수백만 개의 파형 시뮬레이션을 필요로 할 수 있습니다. 이를 위해서는 다음이 필요합니다.
– 병렬 컴퓨팅(클러스터, GPU)
– 메모리 절약 (파동장을 저장하기 위한 체크포인트 기능)
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 물리적 특성과 잡음 불일치
현장 데이터에는 잡음, 기기 효과, 이방성, 감쇠(Q), 복잡한 지형 및 음원 불확실성이 포함됩니다. 순방향 모델링이 너무 단순하면(예: 매질이 탄성체일 때 음향 모델링을 사용하는 경우) 역산 결과에 편향이 발생할 수 있습니다.
5.4 모델 매개변수화
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 신청서
FWI는 다음과 같은 용도로 널리 사용됩니다.
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– 지열: 균열대 및 암석학적 변화 지도 작성
– 지구/지역 지진학: 맨틀 및 지각 영상화,
– 지반공학 및 지표면 근처 엔지니어링: 기초, 터널 및 완화 조치를 위한 얕은 지반 지도 작성.
FWI의 장점은 매질이 복잡하고 데이터에 파동 정보가 풍부할 때 분명하게 드러납니다. 일반적으로 간섭으로 간주되는 작은 회절, 다중 경로 및 다중 반사는 실제로 정보의 원천이 될 수 있습니다.
-
7. 페누투프
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 자원.
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.
