ငလျင်စူးစမ်းလေ့လာရေးတွင် လှိုင်းပုံစံအပြည့်ပြောင်းပြန်လှန်ခြင်းနည်းလမ်း

ငလျင်စူးစမ်းလေ့လာရေးတွင် လှိုင်းပုံစံအပြည့်ပြောင်းပြန်လှန်ခြင်းနည်းလမ်း

မကြာသေးမီဆယ်စုနှစ်များအတွင်း ဘူမိသိပ္ပံလုပ်ငန်း—အထူးသဖြင့် ရေနံနှင့်သဘာဝဓာတ်ငွေ့ရှာဖွေရေး၊ ဘူမိအပူစွမ်းအင်နှင့် မြေအောက်ဘူမိဗေဒလေ့လာမှုများ—သည် ငလျင်ပုံရိပ်ဖော်နည်းပညာတွင် လျင်မြန်စွာတိုးတက်မှုများကို မြင်တွေ့ခဲ့ရသည်။ မြေအောက်ဖွဲ့စည်းပုံဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုချက်သည် တစ်ချိန်က ရိုးရှင်းသော ရောင်ပြန်ဟပ်မှုမြေပုံရေးဆွဲခြင်းနှင့် အလျင်ခွဲခြမ်းစိတ်ဖြာခြင်းအပေါ် များစွာအားကိုးခဲ့ရသော်လည်း၊ ယခုအခါ ပိုမိုအဆင့်မြင့်သော ချဉ်းကပ်မှုများသည် ပိုမိုလွှမ်းမိုးလာပါသည်။ မြင့်မားသော ရုပ်ထွက်အရည်အသွေးရှိသော မြေအောက်အလျင်မော်ဒယ်များတည်ဆောက်ရန်အတွက် “ရွှေစံနှုန်း” အဖြစ် သတ်မှတ်ခံရသည့် နည်းလမ်းတစ်ခုမှာ Full Waveform Inversion (FWI) ဖြစ်သည်။ ဤနည်းလမ်းသည် ခရီးသွားချိန် သို့မဟုတ် ကန့်သတ်ထားသော ရောင်ပြန်ဟပ်မှု amplitude ကိုသာမဟုတ်ဘဲ ငလျင်လှိုင်း များတွင်ပါရှိသော အပြည့်အစုံအချက်အလက်ကို အသုံးပြုသည် ။ ထို့ကြောင့် FWI သည် မြေအောက်မော်ဒယ်များ၏ တိကျမှုကို မြှင့်တင်ရန်နှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက် မသေချာမှုကို လျှော့ချရန်အတွက် အစွမ်းထက်သောကိရိယာတစ်ခုဖြစ်သည်။

အပြည့်အဝလှိုင်းပုံစံပြောင်းပြန်လှန်ခြင်း ၏ အခြေခံသဘောတရားများ

ရိုးရှင်းစွာပြောရလျှင် FWI သည် မြေအောက် parameters များ (ဥပမာ P-wave velocity၊ S-wave velocity၊ density သို့မဟုတ် အခြား elastic parameters) ၏ မော်ဒယ်တစ်ခုကို ရှာဖွေရန် ရည်ရွယ်သည့် nonlinear inversion လုပ်ငန်းစဉ်တစ်ခုဖြစ်ပြီး မော်ဒယ်မှ တွက်ချက်ထားသော synthetic seismic data သည် လယ်ကွင်းတွင် တွေ့ရှိခဲ့သော seismic data နှင့် ကိုက်ညီပါသည်။ တစ်စိတ်တစ်ပိုင်း wave information ကိုသာ အသုံးပြုသည့် ရိုးရာနည်းလမ်းများ (ဥပမာ tomography အတွက် ပထမဆုံး break ကို ရွေးချယ်ခြင်း) နှင့်မတူဘဲ FWI သည် waveform အပြည့်အစုံကို ကိုက်ညီစေရန် ကြိုးစားသည်- phase၊ amplitude နှင့် wave events များအကြား interference။

FWI ကို ပုံမှန်အားဖြင့် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းပြဿနာတစ်ခုအဖြစ် ဖော်စပ်ထားလေ့ရှိသည်- လေ့လာတွေ့ရှိထားသောဒေတာနှင့် ပေါင်းစပ်ဒေတာအကြား မကိုက်ညီမှုကို အနည်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း။ ဤမကိုက်ညီမှုကို ဒေတာစုနှစ်ခုကြား ကွာခြားချက်၏ အနည်းဆုံးစတုရန်းစံနှုန်းကဲ့သို့သော ရည်ရွယ်ချက်ရှိသော လုပ်ဆောင်ချက်ဖြင့် ဖော်ပြနိုင်သည်။ လျှော့ချခြင်းလုပ်ငန်းစဉ်သည် ထပ်ခါတလဲလဲလုပ်ဆောင်ခြင်းဖြစ်ပြီး မကိုက်ညီမှုသည် အနည်းဆုံးတန်ဖိုးသို့ရောက်ရှိသည်အထိ သို့မဟုတ် ပေါင်းစပ်စံနှုန်းနှင့် ကိုက်ညီသည်အထိ မော်ဒယ်ကို တဖြည်းဖြည်း အပ်ဒိတ်လုပ်သည်။

ငလျင်ရှာဖွေရေး မှာ FWI ဘာကြောင့်အရေးကြီးတာလဲ ။

မြေအောက်မျက်နှာပြင်ပုံရိပ်ဖော်ခြင်းသည် အလျင်ပုံစံများ၏ အရည်အသွေးက များစွာလွှမ်းမိုးမှုရှိသည်။ ရောင်ပြန်ငလျင်များတွင် အလျင်ပုံစံများသည် ရွှေ့ပြောင်းမှုတိကျမှု၊ ရောင်ပြန်အနေအထား၊ ပုံရိပ်ပြတ်သားမှုနှင့် ဟိုက်ဒရိုကာဗွန်ထောင်ချောက်အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကိုပင် ဆုံးဖြတ်ပေးသည်။ အလျင်ပုံစံမမှန်ကန်ပါက ဖွဲ့စည်းပုံဆိုင်ရာပုံရိပ်များသည် ရွေ့လျားခြင်း၊ စောင်းခြင်း သို့မဟုတ် ရှေးဟောင်းပစ္စည်းများကိုပင် ပြသနိုင်ပြီး နောက်ဆုံးတွင် စူးစမ်းရှာဖွေရေးဆုံးဖြတ်ချက်များကို လွဲမှားစေနိုင်သည်။

FWI သည် လှိုင်းပျံ့နှံ့မှု၏ ရူပဗေဒနှင့် ကိုက်ညီသော ပိုမိုအသေးစိတ်ကျသော မော်ဒယ်များကို ထုတ်လုပ်ခြင်းဖြင့် ဤပြဿနာကို ဖြေရှင်းရန် ကူညီပေးသည်။ traveltime tomography ထက် ပိုမိုမြင့်မားသော ရုပ်ထွက်အရည်အသွေးဖြင့် FWI သည် အောက်ပါကဲ့သို့သော ရှုပ်ထွေးသောဇုန်များ အပါအဝင် သိမ်မွေ့သော ဘေးတိုက်နှင့် ဒေါင်လိုက်အလျင် ပြောင်းလဲမှုများကို ဖမ်းယူနိုင်သည်-

- မြန်နှုန်းမြင့် ဆန့်ကျင်ဘက် ပါရှိသော ဆားကိုယ်ထည်
– မျက်နှာပြင်အနီး ရှုပ်ထွေးမှု (ရာသီဥတုဒဏ်ခံနိုင်သော အလွှာများ၊ အခေါင်းပေါက် ကာဗွန်နိတ် ကျောက်များ)
- ရှုပ်ထွေးသော အက်ကွဲကြောင်းနှင့် ခေါက်သိမ်းနိုင်သော ဖွဲ့စည်းပုံများ
– ပါးလွှာသော ရေလှောင်ကန် သို့မဟုတ် အလတ်စား ကွဲပြားမှု

ရလဒ်အနေဖြင့် ပိုမိုထက်မြက်သော မြေအောက်မော်ဒယ်တစ်ခုဖြစ်ပြီး ရွှေ့ပြောင်းမှုလုပ်ငန်းစဉ် (RTM/LSRTM) ကို အထောက်အကူပြုကာ ဘူမိဗေဒဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုချက်၏ ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ပေးပါသည်။

FWI ၏ လုပ်ငန်းလည်ပတ်မှုမူများနှင့် အဆင့်များ

ယေဘုယျအားဖြင့် FWI လုပ်ငန်းစဉ်တွင် အဓိကအဆင့်များစွာ ပါဝင်သည်-

၁။ ကနဦးပုံစံပြင်ဆင်မှု
FWI သည် ကနဦးမော်ဒယ်၏ အရည်အသွေးပေါ်တွင် များစွာမူတည်သည်။ ဤမော်ဒယ်ကို တိုမိုဂရပ်ဖီ၊ ဘူမိဗေဒဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုချက်များ၊ ရွှေ့ပြောင်းမှုအလျင်မော်ဒယ်များ သို့မဟုတ် နည်းလမ်းများစွာပေါင်းစပ်ခြင်းမှ ဆင်းသက်လာနိုင်သည်။ တကယ့်အခြေအနေများနှင့် အလွန်ဝေးကွာသော ကနဦးမော်ဒယ်တစ်ခုသည် ပြောင်းပြန်လှန်မှုကို ပေါင်းစည်းရန် မအောင်မြင်စေနိုင်သည်။

၂။ ရှေ့သို့ မော်ဒယ်လ်လုပ်ခြင်း (လှိုင်းသရုပ်ဖော်ခြင်း)
လက်ရှိမော်ဒယ်အပေါ်အခြေခံ၍ လှိုင်းညီမျှခြင်း (အသံ/အီလက်စတစ်) ကို အသုံးပြု၍ ငလျင်လှိုင်းများကို ပုံစံတူပြုလုပ်ထားသည်။ အထွက်မှာ ဓာတုငလျင်တိုင်းတာချက်ဖြစ်သည်။

၃။ မကိုက်ညီသော တွက်ချက်မှု
Misfit ကို ပေါင်းစပ်ဒေတာနှင့် လေ့လာတွေ့ရှိဒေတာအကြား ကွာခြားချက်အဖြစ် တွက်ချက်သည်။ နှိုင်းယှဉ်မှုများကို အချိန်ဒိုမိန်း၊ ကြိမ်နှုန်းဒိုမိန်း သို့မဟုတ် သီးခြား attribute ဒိုမိန်းများတွင်ပင် ပြုလုပ်နိုင်သည်။

၄။ gradient တွက်ချက်မှု (adjoint-state နည်းလမ်း)
မော်ဒယ်တစ်ခုကို အပ်ဒိတ်လုပ်ရန်အတွက် misfit ကို လျှော့ချရန်အတွက် parameter ပြောင်းလဲမှုများ၏ ဦးတည်ရာကို သိရှိရန် လိုအပ်သည်။ adjoint-state နည်းလမ်းသည် parameter အရေအတွက် အလွန်များပြားသည့်တိုင် gradient တွက်ချက်မှုကို ထိရောက်စွာ ပြုလုပ်နိုင်စေပါသည်။

၅။ မော်ဒယ်ကို အပ်ဒိတ်လုပ်ပါ (ထပ်ခါတလဲလဲ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်း)
မော်ဒယ်ကို አዲስ optimization algorithm ဥပမာ steepest descent၊ conjugate gradient သို့မဟုတ် quasi-Newton (L-BFGS) တို့ကို အသုံးပြု၍ အပ်ဒိတ်လုပ်သည်။ ရလဒ်များ ကျေနပ်လောက်ဖွယ်ရှိသည်ဟု ယူဆသည်အထိ ဤလုပ်ငန်းစဉ်ကို အကြိမ်ပေါင်းများစွာ ထပ်ခါတလဲလဲ လုပ်ဆောင်သည်။

လက်တွေ့တွင် FWI သည် ဘက်စုံစကေးဗျူဟာကို မကြာခဏအသုံးပြုလေ့ရှိသည်- ပြောင်းပြန်လှန်ခြင်းသည် နိမ့်သောကြိမ်နှုန်းများမှစတင်သည် (ကြီးမားသောအလျင်ခေတ်ရေစီးကြောင်းများကိုဖမ်းယူရန်) ထို့နောက် အသေးစိတ် resolution ကိုတိုးတက်စေရန် မြင့်မားသောကြိမ်နှုန်းများကို တဖြည်းဖြည်းထည့်သွင်းသည်။ ဤဗျူဟာသည် ဒေသတွင်းဖြေရှင်းချက်ထောင်ချောက်ကိုရှောင်ရှားရန် အရေးကြီးပါသည်။

အဓိကစိန်ခေါ်မှုများ- မျဉ်းမညီခြင်းနှင့် စက်ဝန်းကျော်ခြင်း

FWI မှာ အကြီးမားဆုံးစိန်ခေါ်မှုတစ်ခုကတော့ nonlinearity ဖြစ်ပြီး objective function မျက်နှာပြင်မှာ local minima အများအပြားရှိစေပါတယ်။ အထင်ရှားဆုံးပြဿနာကတော့ cycle skipping ပါ၊ synthetic နဲ့ observed တန်ဖိုးတွေက wave period ရဲ့ ထက်ဝက်ကျော်ကွာခြားတာကြောင့် inversion က "တုပ်နှောင်" သွားပြီး model ကို မှားယွင်းတဲ့ဖြေရှင်းချက်ဆီ ဦးတည်စေပါတယ်။

Cycle skipping ဖြစ်တတ်သည်-
– ကနဦး မော်ဒယ်သည် တကယ့် မော်ဒယ်နှင့် အလွန်ကွာခြားလွန်းသည်
– ကြိမ်နှုန်းနိမ့်များ ရရှိနိုင်ခြင်းမရှိပါ သို့မဟုတ် အရည်အသွေးညံ့ဖျင်းပါသည်
– မလုံလောက်သော ရယူမှု ဂျီသြမေတြီ (အော့ဖ်ဆက်/အဇမစ် မရှိခြင်း)
– signal-to-noise ratio နိမ့်ခြင်း သို့မဟုတ် data ကို ကောင်းမွန်စွာ မစီမံဆောင်ရွက်ခြင်း

ဤအန္တရာယ်ကို လျှော့ချရန်အတွက် ချဉ်းကပ်မှုများစွာကို အသုံးပြုကြပြီး၊ ဥပမာအားဖြင့် ၊ ကြိမ်နှုန်းနည်းဒေတာကို အသုံးပြုခြင်း ၊ အခြားရွေးချယ်စရာ ရည်ရွယ်ချက်ရှိသော လုပ်ဆောင်ချက်များ ရွေးချယ်ခြင်း (စာအိတ်အခြေပြု သို့မဟုတ် ခရီးသွားအချိန် မကိုက်ညီခြင်း)၊ ပုံမှန်ဖြစ်အောင်ပြုလုပ်ခြင်းနှင့် ဘူမိဗေဒဆိုင်ရာ အချက်အလက်နှင့် ကန့်သတ်ချက်များ ပေါင်းစပ်ခြင်းတို့ ဖြစ်သည်။

FWI အမျိုးအစားများ- အသံ၊ ပျော့ပျောင်းသော နှင့် အန်နီဆိုထရိုပစ်

FWI အမျိုးအစား တစ်ခုထက်ပိုပါတယ်။ ရွေးချယ်မှုက မီဒီယာရဲ့ ရှုပ်ထွေးမှုနဲ့ လေ့လာမယ့်ပစ်မှတ်ပေါ် မူတည်ပါတယ်။

– အသံလှိုင်း FWI: သည် အသံလှိုင်းများမပါဘဲ (ရှပ်လှိုင်းများမပါဘဲ) အသံကြားခံတစ်ခုကို ယူဆသည်။ ပိုမိုရိုးရှင်းပြီး အစပြုရာနေရာအဖြစ် ပိုမိုအသုံးများသည်၊ အထူးသဖြင့် P-လှိုင်းများ လွှမ်းမိုးသော ရေကြောင်းပတ်ဝန်းကျင်များတွင်။
– Elastic FWI: သည် P နှင့် S လှိုင်းများအပြင် mode conversion ကို ထည့်သွင်းစဉ်းစားသည်။ ရှုပ်ထွေးသော မြေပြင်နှင့် မျက်နှာပြင်အနီးဒေတာများအတွက် သင့်လျော်သော်လည်း တွက်ချက်မှုအရ ပိုမိုစျေးကြီးပြီး ဆူညံသံကို ထိခိုက်လွယ်သည်။
– အန်နီဆိုထရိုပစ် FWI: အလွှာလိုက် အနည်အနှစ်များ သို့မဟုတ် သီးခြား ဘူမိဗေဒဆိုင်ရာ ဖွဲ့စည်းပုံများရှိသော နေရာများတွင် အရေးကြီးသော အန်နီဆိုထရိုပစ် အကျိုးသက်ရောက်မှုများ (VTI၊ TTI) ပါဝင်သည်။ ၎င်းသည် တိကျမှုကို တိုးတက်စေသော်လည်း ပြောင်းပြန်လှန်ရမည့် ကန့်သတ်ချက်အရေအတွက်ကို တိုးစေသည်။

ခေတ်သစ်စူးစမ်းလေ့လာမှုတွင်၊ အထူးသဖြင့် အန္တိမရည်မှန်းချက်မှာ ရေလှောင်ကန်၏ ဝိသေသလက္ခဏာနှင့် ကျောက်ဂုဏ်သတ္တိများ ဖြစ်သည့်အခါတွင် ၊ လမ်းကြောင်းသည် ပိုမိုလက်တွေ့ကျသော ပြောင်းပြန်လှန်မှုများဆီသို့ ဦးတည်နေသည်- elastic နှင့် anisotropic။

ဒေတာနှင့် ကွန်ပျူတာ လိုအပ်ချက်များ

FWI သည် အရည်အသွေးမြင့်ဒေတာ၊ ကောင်းမွန်သော offset coverage နှင့် တိကျသော processing control များ လိုအပ်သည်။ ဒေတာသည် ပေါင်းစပ်ဒေတာနှင့် လေ့လာတွေ့ရှိဒေတာများကို တသမတ်တည်း နှိုင်းယှဉ်နိုင်စေရန်အတွက် de-noising၊ source correction၊ deghosting (ရေကြောင်းအတွက်)၊ static correction (ကုန်းမြေအတွက်) နှင့် amplitude/phase adjustment ကဲ့သို့သော အဆင့်များကို ဖြတ်သန်းရမည်ဖြစ်သည်။

တွက်ချက်မှုရှုထောင့်မှကြည့်လျှင် FWI သည် အလွန်စျေးကြီးသည်၊ အဘယ်ကြောင့်ဆိုသော် forward နှင့် adjoint modeling ကို အရင်းအမြစ်များစွာနှင့် iteration များတွင် လုပ်ဆောင်ရမည်ဖြစ်သောကြောင့်ဖြစ်သည်။ ထို့ကြောင့် FWI အကောင်အထည်ဖော်မှုများသည် cluster များ သို့မဟုတ် GPU များပေါ်တွင် parallel computing ကို အမြဲတမ်းအသုံးပြုလေ့ရှိသည်။ High-Performance Computing (HPC) တိုးတက်မှုနှင့်အတူ ဤနည်းလမ်းသည် စက်မှုလုပ်ငန်းသုံးအတွက် ပိုမိုလက်တွေ့ကျလာပါသည်။

အသုံးချမှုများနှင့် စူးစမ်းလေ့လာရေးဆုံးဖြတ်ချက်များအပေါ် သက်ရောက်မှုများ

FWI သည် အလျင်ပုံစံများ၏ အရည်အသွေးကို မြှင့်တင်ပေးသည်ကို ပြသထားပြီး၊ ၎င်းသည် အောက်ပါတို့ကို တိုက်ရိုက်သက်ရောက်မှုရှိသည်-

– ပိုမိုအာရုံစိုက်ထားသော ရွှေ့ပြောင်းမှုနှင့် ပိုမိုတိကျသော ရောင်ပြန်ဟပ်မှု အနေအထား
– ပိုမိုကောင်းမွန်သော ဖွဲ့စည်းပုံဆိုင်ရာ အဓိပ္ပာယ်ဖွင့်ဆိုချက် (ပြတ်ရွေ့၊ ဆားနယ်၊ ရေလမ်းကြောင်း)
– တူးဖော်ရန် ပစ်မှတ်အနက် မသေချာမှုကို လျှော့ချပေးခြင်း
– ရေတွင်းဒေတာ၊ VSP နှင့် ဒေသဆိုင်ရာ ဘူမိဗေဒတို့နှင့် ပိုမိုကောင်းမွန်စွာ ပေါင်းစပ်နိုင်ခြင်း

စူးစမ်းရှာဖွေရေးကုမ္ပဏီများအတွက်၊ အနက်နှင့် ပုံရိပ်တိကျမှုတွင် အနည်းငယ်တိုးတက်မှုများသည် ကုန်ကျစရိတ်များစွာ သက်သာစေပြီး ခြောက်သွေ့သောအပေါက်တူးဖော်ခြင်းအန္တရာယ်ကို လျှော့ချပေးနိုင်သည်။

ပိတ်

Full Waveform Inversion (FWI) သည် ခေတ်သစ် ငလျင်ရှာဖွေရေး အင်ဂျင်နီယာပညာ တွင် အရေးအကြီးဆုံး တိုးတက်မှုများထဲမှ တစ်ခုဖြစ်ပြီး ၊ ပြည့်စုံသော ငလျင်လှိုင်းအချက်အလက်များကို အသုံးပြုထားသည်။ nonlinear inversion ချဉ်းကပ်မှုနှင့် အသေးစိတ် လှိုင်းရူပဗေဒ မော်ဒယ်လ်ကို အသုံးပြု၍ FWI သည် ဘူမိဗေဒဆိုင်ရာ ပုံရိပ်ဖော်ခြင်းနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုချက်အတွက် အရေးကြီးသော မြင့်မားသော resolution ရှိသော မြေအောက်ပုံစံများကို ထုတ်လုပ်နိုင်သည်။ cycle skip လုပ်ခြင်း၊ အရည်အသွေးမြင့် အချက်အလက် လိုအပ်ချက်နှင့် ကြီးမားသော တွက်ချက်မှု overhead ကဲ့သို့သော စိန်ခေါ်မှုများနှင့် ရင်ဆိုင်ရသော်လည်း၊ အယ်လဂိုရစ်သမ်များ၊ multiscale ဗျူဟာများ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် parallel computing တွင် တိုးတက်မှုများက FWI ကို ပိုမိုရင့်ကျက်ပြီး ကျယ်ကျယ်ပြန့်ပြန့် အသုံးချနိုင်စေခဲ့သည်။ စူးစမ်းလေ့လာရေးဆိုင်ရာ အခြေအနေတွင် ဤနည်းလမ်းသည် မြေအောက်ပုံရိပ်များ၏ အရည်အသွေးကို တိုးတက်စေရုံသာမက ပိုမိုတိကျ၊ ထိရောက်ပြီး အန္တရာယ်နည်းသော ဆုံးဖြတ်ချက်ချမှုအတွက် အရေးကြီးသော အုတ်မြစ်ကိုလည်း ပေးပါသည်။