Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluanus
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, mitigatio calamitatum, 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, opes komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan notiones fundamentales FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Quid est Inversio Formae Undae Plenae?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat notitia seismica 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.
Discrepantiae fundamentales inter FWI et alias methodos inversionis sunt hae:
– 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 problema optimizationis non linearis magnae scalae est, quia parametri exempli (e.g., velocitates undarum P vel S) milliones cellularum in craticula 2D/3D numerare possunt.
-
3. Partes principales in FWI
3.1 Data Observationis et Data Synthetica
FWI requirit:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Data synthetica computantur per solutionem aequationis undae (e.g. aequationis undae acusticae):
\[
\tfrac{1}{v^2(\mathbf{x})}\tfrac{\partialis^2 p}{\partialis t^2} - \nabla^2 p = s(\mathbf{x},t)
\]
ubi v(x) est velocitas undae, p est pressio/unda scalaris, et s est fons.
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.
Exemplar initiale plerumque ex:
– inversi traveltime (tomografi),
– macromodella velocitatis ex analysi geologica,
– vel methodus multiscalaris (a frequentiis humilibus incipiens).
3.3 Functio Objectiva (Inapta)
Functiones obiectivae communes:
\[
J(m) = (1/2) summa s summa r (d syn(t; m) - d obs(t))², dt)
\]
ubi \(m\) est parameter exempli (e.g., velocitas), \(s\) est index fontis, et \(r\) est index receptoris.
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 .
Imago intuitiva:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Residuum datorum (Δd = d_{\text{syn}} – d_{\text{obs}}) computa.
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.
Hac arte, sumptus computationalis gradientis fere aequivalet duplo modellationi undae per fontem (prorsum + adiunctum), ergo adhuc magnus est sed possibilis in HPC/GPU.
3.5 Schema Renovationis Exemplaris (Optimizatio)
Postquam gradiens \( \nabla J \) obtentus est, exemplar per methodum optimizationis renovatur, exempli gratia:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– vel methodus Newtoni/Quasi-Newtoni.
Renovationes fundamentales:
\[
m_{k+1} = m_k – α_k, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Ordo Operis Algorithmi FWI (Brevisus)
In genere, FWI iterative currit:
1. Exemplar initiale \(m_0\) elige.
2. Pro singulis fontibus:
– exemplarizationem progressivam → data synthetica facere,
– residua contra data observationis computa,
– exemplaria adiuncta facere,
– accumulatio gradientis.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Exemplar methodis optimizationis renova.
5. Repetere donec convergentia vel limes iterationis attingatur.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Provocationes Praecipuae in FWI
5.1 Cycle Skipping
Hoc problema notissimum est. Cum data synthetica et observata non "in phase" sunt, inaequalitas L2 optimizationem ad falsa minima localia ducere potest. Solutio generalis:
– a frequentiis infimis incipiens,
– exemplar initiale (tomographiam) emendare,
– utendo aliis inaptis,
– menerapkan time windowing dan strategi data selection .
5.2 Sumptus Computationalis
Undarum imaginum fluxus tridimensionalis (3D FWI) cum fontibus multiplicibus milia vel milliones simulationum formarum undarum requirere potest. Hoc requirit:
– computatio parallela (greges, GPU),
– memoria servanda (puncta inspectionis ad campos undarum servandos),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Incongruentia Physica et Strepitus
Data in agro strepitum, effectus instrumentorum, anisotropiam, attenuationem (Q), topographiam complexam, et incertitudinem fontis continent. Si modellatio directa nimis simplex est (e.g., acustica cum medium elasticum est), eventus inversionis praeiudicari possunt.
5.4 Parametrizatio Modeli
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. Applicatio FWI
FWI late adhibetur ad:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geothermica: zonas fracturarum et mutationes lithologicas delineans,
– seismologia globalis/regionalis: imago mantelli et crustae,
– ingeniaria geotechnica et prope superficiem: delineatio superficialis pro fundamentis, cuniculis, et mitigatione.
Commoda FWI manifesta sunt cum medium complexum est et data informatione undarum dives sunt: diffractiones parvae, viae multiplices, et multiplices quae plerumque interferentia habentur, re vera fontes informationis esse possunt.
-
7. Conclusio
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 opes.
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.
