Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Пендахулуан
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, смягчение последствий стихийных бедствий, 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, ресурс komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan основные понятия FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Что такое инверсия полной волновой формы?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat сейсмические данные 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.
Основные различия между FWI и другими методами инверсии заключаются в следующем:
– 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 представляет собой крупномасштабную нелинейную задачу оптимизации, поскольку параметры модели (например, скорости P- или S-волн) могут насчитывать миллионы ячеек на двумерной/трехмерной сетке.
-
3. Основные компоненты FWI
3.1 Наблюдательные данные и синтетические данные
Для работы FWI требуется:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Синтетические данные рассчитываются путем решения волнового уравнения (например, уравнения акустических волн):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
где \( v(\mathbf{x}) \) — скорость волны, \( p \) — скалярное давление/волна, а \( s \) — источник.
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.
Исходная модель обычно получается из:
– inversi traveltime (tomografi),
– макромодели скоростей, полученные в результате геологического анализа,
– или многомасштабный подход (начиная с низких частот).
3.3 Целевая функция (несоответствие)
Типичные целевые функции:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
где \( m \) — параметр модели (например, скорость), \( s \) — индекс источника, а \( r \) — индекс приемника.
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 .
Наглядная картина:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Вычислите остаток данных \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
При использовании этого метода вычислительные затраты на градиент примерно эквивалентны удвоенному моделированию волн на один источник (прямой + сопряженный подход), поэтому они все еще велики, но вполне осуществимы на высокопроизводительных вычислениях/графических процессорах.
3.5 Схема обновления модели (оптимизация)
После получения градиента \( \nabla J \) модель обновляется с использованием метода оптимизации, например:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– или метод Ньютона/квазиньютона.
Основные обновления:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Схема работы алгоритма FWI (краткое описание)
В целом, алгоритм FWI работает итеративно:
1. Выберите исходную модель \( m_0 \).
2. Для каждого источника:
– выполнить прямое моделирование → синтетические данные,
– вычислить остатки относительно наблюдаемых данных.
– выполнить сопряженное моделирование,
– градиентное накопление.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Обновите модель с помощью методов оптимизации.
5. Повторять до сходимости или достижения предела итераций.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Основные проблемы в области FWI
5.1 Cycle Skipping
Это наиболее известная проблема. Когда синтетические и наблюдаемые данные не «синхронизированы», несоответствие L2 может привести к тому, что оптимизация будет направлена к ложным локальным минимумам. Общее решение:
– начиная с очень низких частот,
– улучшить исходную модель (томографию),
– используя альтернативные несоответствия,
– menerapkan time windowing dan strategi data selection .
5.2 Вычислительная стоимость
Трехмерная волноводная инверсия с несколькими источниками может потребовать моделирования тысяч или миллионов волновых форм. Для этого необходимо:
– параллельные вычисления (кластер, графический процессор),
– сохранение данных в памяти (сохранение контрольных точек для сохранения волновых полей),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Несоответствие физических параметров и шума
Полевые данные содержат шум, инструментальные эффекты, анизотропию, затухание (Q), сложный рельеф и неопределенность источника. Если прямое моделирование слишком упрощено (например, акустическое, когда среда упругая), результаты инверсии могут быть искажены.
5.4 Параметризация модели
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. Заявка FWI
FWI широко используется для:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– геотермальная энергетика: картирование зон разломов и литологических изменений.
– глобальная/региональная сейсмология: визуализация мантии и земной коры,
– Геотехнические и приповерхностные инженерные работы: картирование неглубоких слоев грунта для фундаментов, тоннелей и мер по смягчению последствий.
Преимущества метода FWI очевидны, когда среда сложна, а данные богаты волновой информацией: малые дифракции, многолучевые распространения и кратные отражения, которые обычно считаются интерференцией, на самом деле могут быть источниками информации.
-
7. Пенутуп
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 ресурс.
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.
