Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, विपद् न्यूनीकरण, 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, स्रोत komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan आधारभूत अवधारणाहरू FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
२. फुल वेभफर्म इन्भर्सन भनेको के हो?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat भूकम्पीय डेटा 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 र अन्य इन्भर्सन विधिहरू बीचको आधारभूत भिन्नताहरू यस प्रकार छन्:
– 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 एउटा ठूलो मात्रामा गैर-रेखीय अनुकूलन समस्या हो, किनभने मोडेल प्यारामिटरहरू (जस्तै, P- वा S-तरंग वेग) ले 2D/3D ग्रिडमा लाखौं कोषहरू संख्या गर्न सक्छ।
-
३. FWI मा मुख्य घटकहरू
३.१ अवलोकन तथ्याङ्क र सिंथेटिक तथ्याङ्क
FWI लाई आवश्यक पर्दछ:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
सिंथेटिक डेटा तरंग समीकरण (जस्तै ध्वनिक तरंग समीकरण) समाधान गरेर गणना गरिन्छ:
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
जहाँ \( v(\mathbf{x}) \) तरंग वेग हो, \( p \) स्केलर चाप/तरंग हो, र \( s \) स्रोत हो।
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.
प्रारम्भिक मोडेल सामान्यतया निम्नबाट प्राप्त गरिन्छ:
– inversi traveltime (tomografi),
- भूगर्भीय विश्लेषणबाट म्याक्रो वेग मोडेलहरू,
- वा बहुस्तरीय दृष्टिकोण (कम आवृत्तिबाट सुरु गर्दै)।
३.३ उद्देश्य कार्य (मिसफिट)
सामान्य उद्देश्य कार्यहरू:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
जहाँ \( m \) एउटा मोडेल प्यारामिटर हो (जस्तै, वेग), \( s \) स्रोत सूचकांक हो, र \( r \) रिसीभर सूचकांक हो।
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 .
सहज तस्वीर:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
२. डेटा अवशिष्ट गणना गर्नुहोस् \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \)।
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.
यस प्रविधिको साथ, ग्रेडियन्टको कम्प्युटेसनल लागत प्रति स्रोत (अगाडि + संलग्न) तरंग मोडेलिङको लगभग दोब्बर बराबर हुन्छ, त्यसैले यो अझै पनि ठूलो छ तर HPC/GPU मा सम्भव छ।
३.५ मोडेल अपडेट योजना (अनुकूलन)
एकपटक ग्रेडियन्ट \( \nabla J \) प्राप्त भएपछि, मोडेललाई अनुकूलन विधि प्रयोग गरेर अद्यावधिक गरिन्छ, उदाहरणका लागि:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– वा न्यूटन/अर्ध-न्यूटन विधि।
आधारभूत अपडेटहरू:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
४. FWI एल्गोरिथ्म कार्यप्रवाह (संक्षिप्त)
सामान्यतया, FWI पुनरावृत्ति रूपमा चल्छ:
१. प्रारम्भिक मोडेल \( m_0 \) चयन गर्नुहोस्।
२. प्रत्येक स्रोतको लागि:
– फर्वार्ड मोडलिङ गर्नुहोस् → सिंथेटिक डेटा,
- अवलोकन डेटा विरुद्ध अवशिष्ट गणना गर्नुहोस्,
- एडजाइन्ट मोडलिङ गर्ने,
- ग्रेडियन्ट संचय।
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
४. अप्टिमाइजेसन विधिहरू प्रयोग गरी मोडेल अपडेट गर्नुहोस्।
५. अभिसरण वा पुनरावृत्ति सीमा नपुगुन्जेल दोहोर्याउनुहोस्।
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
५. FWI मा मुख्य चुनौतीहरू
5.1 Cycle Skipping
यो सबैभन्दा प्रख्यात समस्या हो। जब सिंथेटिक र अवलोकन गरिएको डेटा "चरणमा" हुँदैन, L2 मिसफिटले अनुकूलनलाई गलत स्थानीय न्यूनतममा पुर्याउन सक्छ। सामान्य समाधान:
- धेरै कम फ्रिक्वेन्सीबाट सुरु हुँदै,
- प्रारम्भिक मोडेल (टोमोग्राफी) सुधार गर्नुहोस्,
- वैकल्पिक मिसफिटहरू प्रयोग गर्दै,
– menerapkan time windowing dan strategi data selection .
५.२ गणना लागत
धेरै स्रोतहरू भएको 3D FWI लाई हजारौंदेखि लाखौं वेभफर्म सिमुलेशनहरू आवश्यक पर्न सक्छ। यसको लागि आवश्यक पर्दछ:
- समानान्तर कम्प्युटिङ (क्लस्टर, GPU),
- मेमोरी बचत (वेभफिल्डहरू बचत गर्न चेकपोइन्टिङ),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
५.३ भौतिकशास्त्र र आवाज बेमेल
फिल्ड डेटामा आवाज, उपकरण प्रभाव, एनिसोट्रोपी, क्षीणन (Q), जटिल स्थलाकृति, र स्रोत अनिश्चितता समावेश छ। यदि अगाडि मोडेलिङ धेरै सरल छ (जस्तै, माध्यम लोचदार हुँदा ध्वनिक), उल्टो परिणाम पक्षपाती हुन सक्छ।
५.४ मोडेल प्यारामिटराइजेसन
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.
-
६. FWI आवेदन
FWI व्यापक रूपमा निम्नका लागि प्रयोग गरिन्छ:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
- भू-तापीय: फ्र्याक्चर क्षेत्रहरू र लिथोलोजिकल परिवर्तनहरूको नक्साङ्कन,
- विश्वव्यापी/क्षेत्रीय भूकम्प विज्ञान: आवरण र क्रस्ट इमेजिङ,
- भू-प्राविधिक र नजिक-सतह इन्जिनियरिङ: जग, सुरुङ, र न्यूनीकरणको लागि उथले नक्साङ्कन।
FWI का फाइदाहरू स्पष्ट हुन्छन् जब माध्यम जटिल हुन्छ र डेटा तरंग जानकारीमा धनी हुन्छ: सानो विवर्तन, बहुमार्ग, र गुणनहरू जुन सामान्यतया हस्तक्षेप मानिन्छन् वास्तवमा जानकारीको स्रोत हुन सक्छन्।
-
५. पेनटअप
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 स्रोत.
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.
