Volledige golfvorminversiemethode in seismisch onderzoek
De afgelopen decennia heeft de geowetenschappelijke industrie – met name de olie- en gasexploratie, geothermische energie en onderzoek naar de ondergrondse geologie – een snelle ontwikkeling doorgemaakt op het gebied van seismische beeldvormingstechnologie. Waar de interpretatie van ondergrondse structuren vroeger sterk afhankelijk was van relatief eenvoudige reflectiekartering en snelheidsanalyse, worden geavanceerdere methoden nu steeds vaker gebruikt. Een methode die wordt beschouwd als de "gouden standaard" voor het construeren van zeer nauwkeurige snelheidsmodellen van de ondergrond is Full Waveform Inversion (FWI). Deze methode maakt gebruik van alle informatie die in seismische golven besloten ligt , niet alleen de looptijd of een beperkte reflectieamplitude. FWI is daarom een krachtig instrument om de nauwkeurigheid van ondergrondse modellen te verbeteren en de onzekerheid bij de interpretatie te verminderen.
Basisconcepten van volledige golfvorminversie
Simpel gezegd is FWI een niet-lineair inversieproces dat tot doel heeft een model te vinden van ondergrondse parameters (bijv. P-golfsnelheid, S-golfsnelheid, dichtheid of andere elastische parameters) zodat synthetische seismische data, berekend op basis van dit model, overeenkomen met waargenomen seismische data in het veld. In tegenstelling tot conventionele methoden die slechts gedeeltelijke golfinformatie gebruiken (bijv. het selecteren van de eerste golfbreuk voor tomografie), probeert FWI de complete golfvorm te evenaren: fase, amplitude en interferentie tussen golfgebeurtenissen.
FWI wordt doorgaans geformuleerd als een optimalisatieprobleem: het minimaliseren van de afwijking tussen waargenomen en synthetische data. Deze afwijking kan worden uitgedrukt in termen van een objectieve functie, zoals de kleinste-kwadratennorm van het verschil tussen twee datasets. Het minimalisatieproces is iteratief, waarbij het model stapsgewijs wordt bijgewerkt totdat de afwijking een minimumwaarde bereikt of aan een convergentiecriterium is voldaan.
Waarom is FWI belangrijk bij seismisch onderzoek?
De kwaliteit van snelheidsmodellen heeft een grote invloed op de beeldvorming van de ondergrond. Bij reflectieseismiek bepalen snelheidsmodellen de nauwkeurigheid van de migratie, de positie van reflectoren, de scherpte van het beeld en zelfs de interpretatie van koolwaterstofvallen. Als het snelheidsmodel onjuist is, kunnen structurele beelden verschuiven, kantelen of zelfs artefacten vertonen, wat uiteindelijk tot misleidende exploratiebeslissingen kan leiden.
FWI helpt dit probleem aan te pakken door gedetailleerdere modellen te produceren die consistent zijn met de natuurkunde van golfvoortplanting. Met een hogere resolutie dan reistijdtomografie kan FWI subtiele laterale en verticale snelheidsvariaties vastleggen, inclusief complexe zones zoals:
– Zoutwaterlichaam met contrast van hoge snelheid
– Complexiteit nabij het oppervlak (verweringlagen, holle carbonaatgesteenten)
– Complexe breuk- en plooiingsstructuren
– Dunne reservoir of heterogeniteit op middelgrote schaal
Het resultaat is een scherper ondergrondmodel, dat het migratieproces (RTM/LSRTM) ondersteunt en de betrouwbaarheid van de geologische interpretatie verbetert.
Werkingsprincipes en fasen van FWI
Over het algemeen bestaat de FWI-workflow uit verschillende hoofdfasen:
1. Voorbereiding van het initiële model
FWI is sterk afhankelijk van de kwaliteit van het initiële model. Dit model kan worden afgeleid van tomografie, geologische interpretaties, migratiesnelheidsmodellen of een combinatie van verschillende methoden. Een initieel model dat te ver afwijkt van de werkelijke omstandigheden kan ertoe leiden dat de inversie niet convergeert.
2. Voorwaartse modellering (golfsimulatie)
Seismische golven worden gesimuleerd met behulp van golfvergelijkingen (akoestisch/elastisch) op basis van het huidige model. Het resultaat is een synthetisch seismogram.
3. Misfit-berekening
De afwijking wordt berekend als het verschil tussen synthetische en waargenomen data. Vergelijkingen kunnen worden gemaakt in het tijdsdomein, het frequentiedomein of zelfs specifieke attribuutdomeinen.
4. Gradiëntberekening (adjoint-state-methode)
Om een model te actualiseren, is het noodzakelijk om de richting van parameterwijzigingen te kennen om fouten te minimaliseren. De adjoint-state-methode maakt een efficiënte berekening van de gradiënt mogelijk, zelfs voor zeer grote aantallen parameters.
5. Model bijwerken (iteratieve optimalisatie)
Het model wordt bijgewerkt met behulp van een optimalisatiealgoritme, zoals de steilste afdaling, de geconjugeerde gradiëntmethode of de quasi-Newtonmethode (L-BFGS). Dit proces wordt meerdere keren herhaald totdat de resultaten als bevredigend worden beschouwd.
In de praktijk maakt FWI vaak gebruik van een multischalige strategie: de inversie begint bij lage frequenties (om grote snelheidsveranderingen vast te leggen) en voegt vervolgens geleidelijk hogere frequenties toe om de resolutie van details te verbeteren. Deze strategie is belangrijk om de valkuil van lokale oplossingen te vermijden.
Belangrijkste uitdagingen: niet-lineariteit en cyclusoverslag
Een van de grootste uitdagingen bij FWI is de niet-lineariteit, waardoor het oppervlak van de objectfunctie veel lokale minima vertoont. Het bekendste probleem is cyclusoverslaan, waarbij de synthetische en waargenomen waarden meer dan een halve golfperiode van elkaar verschillen, waardoor de inversie "vastloopt" en het model tot een verkeerde oplossing leidt.
Cyclusoverslaan treedt meestal op wanneer:
– Het initiële model wijkt te veel af van het werkelijke model.
– Lage frequenties zijn niet beschikbaar of van slechte kwaliteit.
– Onvoldoende opnamegeometrie (gebrek aan offset/azimut)
– Lage signaal-ruisverhouding of gegevens worden niet correct verwerkt
Om dit risico te beperken, worden verschillende benaderingen gebruikt, bijvoorbeeld het gebruik van laagfrequente data , de selectie van alternatieve objectieve functies (op basis van envelop of reistijdafwijking), regularisatie en de integratie van geologische informatie en beperkingen.
FWI-typen: akoestisch, elastisch en anisotropisch.
Er bestaan meerdere soorten FWI's. De keuze hangt af van de complexiteit van het medium en het onderzoeksdoel:
– Akoestische FWI: gaat uit van een akoestisch medium (zonder schuifgolven). Eenvoudiger en vaker gebruikt als uitgangspunt, vooral in maritieme omgevingen waar P-golven dominant zijn.
– Elastische FWI: houdt rekening met P- en S-golven en modusconversie. Geschikt voor complexe land- en nabij-oppervlaktegegevens, maar is rekenkundig duurder en gevoeliger voor ruis.
– Anisotrope FWI: omvat anisotrope effecten (VTI, TTI), die belangrijk zijn in gelaagde sedimenten of gebieden met specifieke geologische structuren. Dit verbetert de nauwkeurigheid, maar verhoogt het aantal parameters dat geïnverteerd moet worden.
Bij moderne exploratie gaat de trend richting steeds realistischere inversies: elastische en anisotrope, vooral wanneer het uiteindelijke doel reservoirkarakterisering en gesteente-eigenschappen is.
Gegevens- en computerbehoeften
FWI vereist hoogwaardige data, een goede offsetdekking en strenge verwerkingsmethoden. De data moeten stappen doorlopen zoals ruisonderdrukking, broncorrectie, deghosting (voor maritieme data), statische correctie (voor landdata) en amplitude-/faseaanpassing om een consistente vergelijking van synthetische en waargenomen data te garanderen.
Vanuit computationeel oogpunt is FWI erg kostbaar, omdat voorwaartse en geadjungeerde modellering over meerdere bronnen en iteraties moet worden uitgevoerd. Daarom maken FWI-implementaties bijna altijd gebruik van parallelle computerberekeningen op clusters of GPU's. Met de vooruitgang van High-Performance Computing (HPC) wordt deze methode steeds praktischer voor industrieel gebruik.
Toepassingen en impact op exploratiebeslissingen
Het is aangetoond dat FWI de kwaliteit van snelheidsmodellen verbetert, wat vervolgens een directe invloed heeft op:
– Gerichtere migratie en nauwkeurigere positionering van de reflector
– Verbeterde structurele interpretatie (breuk, zoutflank, kanaal)
– Vermindering van de onzekerheid over de boordiepte
– Betere integratie met putgegevens, VSP en regionale geologie
Voor exploratiebedrijven kunnen kleine verbeteringen in diepte en beeldnauwkeurigheid leiden tot grote kostenbesparingen en een vermindering van het risico op droge boringen.
Sluitend
Full Waveform Inversion (FWI) is een van de belangrijkste doorbraken in de moderne exploratieseismiek , waarbij gebruik wordt gemaakt van uitgebreide informatie over seismische golven. Door een niet-lineaire inversiemethode en gedetailleerde golffysica-modellering kan FWI ondergrondse modellen met een hoge resolutie produceren, die cruciaal zijn voor geologische beeldvorming en interpretatie. Ondanks uitdagingen zoals cyclusoverslag, de behoefte aan hoogwaardige data en de hoge rekenkosten, hebben de ontwikkeling van algoritmen, multiscale-strategieën en de vooruitgang in parallelle computertechnologie FWI steeds volwassener en breder toepasbaar gemaakt. In de exploratiecontext verbetert deze methode niet alleen de kwaliteit van ondergrondse beelden, maar biedt ze ook een cruciale basis voor nauwkeurigere, efficiëntere en minder risicovolle besluitvorming.
