Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
۱. پنډاهلوان
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, د ناورین کمول, 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, سرچینه komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan اساسي مفاهیم FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
۲. د بشپړ څپې بڼه بدلون څه شی دی؟
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat د زلزلې معلومات 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.
د FWI او نورو برعکس میتودونو ترمنځ بنسټیز توپیرونه دا دي:
– 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 د لویې کچې غیر خطي اصلاح کولو ستونزه ده، ځکه چې د ماډل پیرامیټرې (د مثال په توګه، P- یا S-څپې سرعتونه) کولی شي په 2D/3D گرډ کې په ملیونونو حجرې شمیرې کړي.
-
۳. په FWI کې اصلي برخې
۳.۱ مشاهداتي معلومات او مصنوعي معلومات
FWI ته اړتیا ده:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
مصنوعي معلومات د څپې معادلې په حل کولو سره محاسبه کیږي (د مثال په توګه د اکوسټیک څپې معادلې):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
چیرته چې \( v(\mathbf{x}) \) د څپې سرعت دی، \( p \) د پیمانه فشار/څپې دی، او \( s \) سرچینه ده.
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.
لومړنی ماډل معمولا له دې څخه ترلاسه کیږي:
– inversi traveltime (tomografi),
- د جیولوژیکي تحلیل څخه د میکرو سرعت ماډلونه،
- یا څو پیمانه چلند (د ټیټ فریکونسیو څخه پیل کیږي).
۳.۳ هدفي دنده (غلط فټ)
عام هدفي دندې:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
چیرته چې \( m \) د ماډل پیرامیټر دی (د مثال په توګه، سرعت)، \( s \) د سرچینې شاخص دی، او \( r \) د رسیدونکي شاخص دی.
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 .
حسي انځور:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
۲. د معلوماتو پاتې شوني محاسبه کړئ \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
د دې تخنیک سره، د ګریډینټ محاسباتي لګښت تقریبا د هرې سرچینې (مخکې + ملحق) د څپې ماډلینګ دوه چنده سره مساوي دی، نو دا لاهم لوی دی مګر په HPC/GPU کې د امکان وړ دی.
۳.۵ د ماډل تازه کولو سکیم (اصلاح)
کله چې تدریجي \( \nabla J \) ترلاسه شي، ماډل د اصلاح کولو میتود په کارولو سره تازه کیږي، د مثال په توګه:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– یا د نیوټن/ نیمه نیوټن طریقه.
اساسي تازه معلومات:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
۴. د FWI الګوریتم کاري جریان (مختصر)
په عمومي توګه، FWI په تکراري ډول پرمخ ځي:
۱. لومړنی ماډل \( m_0 \) غوره کړئ.
۲. د هرې سرچینې لپاره:
– د فارورډ ماډلینګ ترسره کول → مصنوعي معلومات،
- د مشاهدې معلوماتو په مقابل کې د پاتې شونو محاسبه کول،
- د ملحقاتو ماډلینګ ترسره کول،
- تدریجي جمع کول.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
۴. ماډل د اصلاح کولو میتودونو سره تازه کړئ.
۵. تکرار کړئ تر هغه چې د همغږۍ یا د تکرار حد ته ورسیږي.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
۵. په FWI کې اصلي ننګونې
5.1 Cycle Skipping
دا تر ټولو مشهوره ستونزه ده. کله چې مصنوعي او مشاهده شوي معلومات "په مرحله کې" نه وي، د L2 غلط فټ کولی شي اصلاح کول غلط محلي لږترلږه ته ورسوي. عمومي حل:
- د خورا ټیټ فریکونسیو څخه پیل کول،
- د لومړني ماډل (ټوموګرافي) ښه کول،
- د بدیل نیمګړتیاوو کارول،
– menerapkan time windowing dan strategi data selection .
۵.۲ محاسبوي لګښت
د څو سرچینو سره درې بعدي FWI کولی شي د زرګونو څخه تر ملیونونو ویوفارم سمولیشنونو ته اړتیا ولري. دا اړتیا لري:
- موازي کمپیوټري (کلستر، GPU)،
- د حافظې خوندي کول (د څپو ساحې خوندي کولو لپاره چیک پوائنټ کول)،
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
۵.۳ فزیک او شور بې مطابقت
د ساحې معلومات شور، د وسایلو اغیزې، انیسوټروپي، کموالی (Q)، پیچلي توپوګرافي، او د سرچینې ناڅرګندتیا لري. که چیرې د مخکینۍ ماډلینګ خورا ساده وي (د مثال په توګه، کله چې منځنی لچک لرونکی وي)، د انورسیشن پایلې تعصب کیدی شي.
۵.۴ د ماډل پیرامیټریزیشن
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.
-
۶. د FWI غوښتنلیک
FWI په پراخه کچه د دې لپاره کارول کیږي:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
- جیوترمل: د فریکچر زونونو او لیتولوژیکي بدلونونو نقشه کول،
- نړیوال/سیمه ییز زلزله پېژندنه: د مینټل او قشر انځورګري،
- جیو تخنیکي او نږدې سطحې انجینري: د بنسټونو، تونلونو او تخفیف لپاره سطحي نقشه کول.
د FWI ګټې هغه وخت څرګندېږي کله چې منځنی پیچلی وي او معلومات د څپو معلوماتو څخه بډایه وي: کوچني تفاوتونه، څو لارې، او ضربونه چې معمولا مداخله ګڼل کیږي په حقیقت کې د معلوماتو سرچینې کیدی شي.
-
۷. پایله
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 سرچینه.
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.
