Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Пендахулуан
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, гамшгийн хор хөнөөлийг бууруулах, 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, нөөц komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan үндсэн ойлголтууд FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Бүтэн долгионы хэлбэрийн инверсия гэж юу вэ?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat газар хөдлөлтийн мэдээлэл 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 болон бусад инверсийн аргуудын үндсэн ялгаа нь:
– 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 нь том хэмжээний шугаман бус оновчлолын асуудал юм, учир нь загварын параметрүүд (жишээ нь, P- эсвэл S-долгионы хурд) нь 2D/3D сүлжээнд сая сая нүдийг тоолж чаддаг.
-
3. FWI-ийн үндсэн бүрэлдэхүүн хэсгүүд
3.1 Ажиглалтын өгөгдөл ба синтетик өгөгдөл
FWI нь дараахь зүйлийг шаарддаг:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Синтетик өгөгдлийг долгионы тэгшитгэлийг (жишээ нь акустик долгионы тэгшитгэл) бодож тооцоолно:
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
энд \(v(\mathbf{x}) \) нь долгионы хурд, \(p \) нь скаляр даралт/долгио, \(s \) нь эх үүсвэр юм.
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.
Анхны загварыг ихэвчлэн дараахаас авдаг.
– inversi traveltime (tomografi),
– геологийн шинжилгээний макро хурдны загварууд,
– эсвэл олон түвшний арга (бага давтамжаас эхлэн).
3.3 Зорилтот функц (Тохиромжгүй байдал)
Нийтлэг зорилтот функцууд:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
энд \(m\) нь загварын параметр (жишээ нь, хурд), \(s\) нь эх сурвалжийн индекс, \(r\) нь хүлээн авагчийн индекс юм.
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 .
Зөн совингийн зураг:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Өгөгдлийн үлдэгдлийг тооцоол \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Энэ аргын тусламжтайгаар градиентийн тооцооллын зардал нь эх үүсвэр тус бүрт хоёр дахин их долгионы загварчлалтай (урагш + залгаа) тэнцүү тул энэ нь том хэвээр байгаа ч HPC/GPU дээр хэрэгжүүлэх боломжтой.
3.5 Загварын шинэчлэлтийн схем (Оновчлол)
Градиент \( \nabla J \)-г олж авсны дараа загварыг оновчлолын аргыг ашиглан шинэчилнэ, жишээлбэл:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– эсвэл Ньютон/Квази-Ньютоны арга.
Үндсэн шинэчлэлтүүд:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. FWI алгоритмын ажлын урсгал (Товч)
Ерөнхийдөө FWI нь давталттайгаар ажилладаг:
1. Анхны загварыг сонгоно уу \( m_0 \).
2. Эх сурвалж бүрийн хувьд:
– урагш загварчлал хийх → синтетик өгөгдөл,
– үлдэгдлийг ажиглалтын өгөгдөлтэй харьцуулан тооцоолох,
- хавсарсан загварчлал хийх,
– градиент хуримтлал.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Загварыг оновчлолын аргуудаар шинэчлэх.
5. Нэгтгэх буюу давталтын хязгаарт хүрэх хүртэл давтана.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. FWI-д тулгардаг гол бэрхшээлүүд
5.1 Cycle Skipping
Энэ бол хамгийн алдартай асуудал юм. Синтетик болон ажиглагдсан өгөгдөл "үе шатандаа" байхгүй үед L2-ийн буруу тохируулга нь оновчлолыг хуурамч орон нутгийн минимумд хүргэж болзошгүй юм. Ерөнхий шийдэл:
– маш бага давтамжаас эхлэн,
– анхны загварыг сайжруулах (томографи),
– өөр тохирохгүй хувилбаруудыг ашиглах,
– menerapkan time windowing dan strategi data selection .
5.2 Тооцооллын зардал
Олон эх үүсвэртэй 3D FWI нь мянгаас сая сая долгионы хэлбэрийн симуляци шаардаж болно. Үүнд дараахь зүйлс шаардлагатай:
– зэрэгцээ тооцоолол (кластер, GPU),
– санах ой хадгалах (долгионы талбаруудыг хадгалахын тулд шалгах цэгийг ашиглах),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Физик ба дуу чимээний зөрүү
Хээрийн өгөгдөл нь шуугиан, багажны нөлөө, анизотропи, сулрал (Q), нарийн төвөгтэй топографи, эх үүсвэрийн тодорхойгүй байдлыг агуулдаг. Хэрэв урагш загварчлал хэтэрхий энгийн бол (жишээлбэл, орчин уян харимхай үед акустик), урвуу үр дүн нь нэг талыг барьсан байж болно.
5.4 Загварын параметрчилэл
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 өргөдөл
FWI нь дараах зорилгоор өргөн хэрэглэгддэг:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– газрын гүний дулаан: хагарлын бүс болон литологийн өөрчлөлтийг зураглах,
– дэлхийн/бүсийн газар хөдлөлт судлал: мантийн болон царцдасын дүрслэл,
– геотехникийн болон газрын гадаргууд ойрхон инженерчлэл: суурийн гүехэн зураглал, хонгил болон нөлөөллийг бууруулах арга хэмжээ.
FWI-ийн давуу талууд нь орчин нь нарийн төвөгтэй бөгөөд өгөгдөл нь долгионы мэдээллээр баялаг байх үед илэрхий байдаг: ихэвчлэн хөндлөнгийн оролцоо гэж тооцогддог жижиг дифракцууд, олон замууд болон олонлогууд нь үнэндээ мэдээллийн эх үүсвэр болж чаддаг.
-
7. Дүгнэлт
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 нөөц.
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.
