Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Introdução
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, mitigação de desastres, 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, verão do dia komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan konsep dasar FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. O que é a inversão completa da forma de onda?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat dados sísmicos 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.
As principais diferenças entre a FWI e outros métodos de inversão são:
– 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.
– A FWI é um problema de otimização não linear em larga escala, porque os parâmetros do modelo (por exemplo, velocidades das ondas P ou S) podem ocupar milhões de células em uma grade 2D/3D.
-
3. Principais componentes em FWI
3.1 Dados Observacionais e Dados Sintéticos
A FWI exige:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Os dados sintéticos são calculados resolvendo a equação de onda (por exemplo, a equação da onda acústica):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
onde \( v(\mathbf{x}) \) é a velocidade da onda, \( p \) é a pressão escalar/onda e \( s \) é a fonte.
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.
O modelo inicial é geralmente obtido a partir de:
– inversi traveltime (tomografi),
– modelos de velocidade macroscópica a partir de análises geológicas,
– ou uma abordagem multiescalar (começando pelas baixas frequências).
3.3 Função Objetivo (Desajuste)
Funções objetivo comuns:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
onde \( m \) é um parâmetro do modelo (por exemplo, velocidade), \( s \) é o índice da fonte e \( r \) é o índice do receptor.
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 .
A imagem intuitiva:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Calcule o resíduo dos dados \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Com essa técnica, o custo computacional do gradiente é aproximadamente equivalente ao dobro da modelagem de ondas por fonte (direta + adjunta), portanto, ainda é elevado, mas viável em HPC/GPU.
3.5 Esquema de atualização do modelo (otimização)
Uma vez obtido o gradiente \( \nabla J \), o modelo é atualizado usando um método de otimização, por exemplo:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– ou método de Newton/Quase-Newton.
Atualizações básicas:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Fluxo de trabalho do algoritmo FWI (conciso)
Em geral, o FWI é executado de forma iterativa:
1. Selecione o modelo inicial \( m_0 \).
2. Para cada fonte:
– realizar modelagem preditiva → dados sintéticos,
– calcular os resíduos em relação aos dados de observação,
– realizar modelagem adjunta,
– acumulação de gradiente.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Atualize o modelo com métodos de otimização.
5. Repita até que a convergência seja alcançada ou o limite de iterações seja atingido.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Principais desafios na FWI
5.1 Cycle Skipping
Este é o problema mais conhecido. Quando os dados sintéticos e observados não estão "em fase", o desajuste L2 pode levar a otimização a mínimos locais falsos. A solução geral:
– partindo de frequências muito baixas,
– melhorar o modelo inicial (tomografia),
– usando alternativas inadaptadas,
– menerapkan time windowing dan strategi data selection .
5.2 Custo Computacional
A inversão de forma de onda completa 3D (3D FWI) com múltiplas fontes pode exigir milhares ou até milhões de simulações de forma de onda. Isso requer:
– computação paralela (cluster, GPU),
– economia de memória (criação de pontos de verificação para salvar campos de onda),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Descompasso entre Física e Ruído
Os dados de campo contêm ruído, efeitos instrumentais, anisotropia, atenuação (Q), topografia complexa e incerteza da fonte. Se a modelagem direta for muito simples (por exemplo, acústica quando o meio é elástico), os resultados da inversão podem ser enviesados.
5.4 Parametrização do Modelo
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. Aplicação FWI
A FWI é amplamente utilizada para:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geotérmica: mapeamento de zonas de fratura e alterações litológicas,
– Sismologia global/regional: imageamento do manto e da crosta,
– Engenharia geotécnica e de subsuperfície: mapeamento raso para fundações, túneis e mitigação.
As vantagens da FWI (Inversão de Forma de Onda Completa) tornam-se evidentes quando o meio é complexo e os dados são ricos em informações de onda: pequenas difrações, multicaminhos e múltiplos que geralmente são considerados interferências podem, na verdade, ser fontes de informação.
-
7. Penumbra
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 verão do dia.
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.
