Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, zmierňovanie následkov katastrof, 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, zdroj komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan základné pojmy FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Čo je to úplná inverzia tvaru vlny?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat seizmické údaje 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.
Základné rozdiely medzi FWI a inými inverznými metódami sú:
– 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 je rozsiahly nelineárny optimalizačný problém, pretože parametre modelu (napr. rýchlosti P- alebo S-vln) môžu zahŕňať milióny buniek na 2D/3D mriežke.
-
3. Hlavné komponenty v FWI
3.1 Pozorovacie údaje a syntetické údaje
FWI vyžaduje:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Syntetické dáta sa vypočítajú riešením vlnovej rovnice (napr. rovnice akustickej vlny):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\čiastočné^2 p}{\čiastočné t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
kde \(v(\mathbf{x}) \) je rýchlosť vlny, \(p \) je skalárny tlak/vlna a \(s \) je zdroj.
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.
Počiatočný model sa zvyčajne získava z:
– inversi traveltime (tomografi),
– modely makrorýchlosti z geologickej analýzy,
– alebo viacškálový prístup (začínajúc od nízkych frekvencií).
3.3 Účelová funkcia (nezhoda)
Spoločné účelové funkcie:
\[
J(m)=\frac{1}{2}\suma_{s}\suma_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
kde m je parameter modelu (napr. rýchlosť), s je index zdroja a r je index prijímača.
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 .
Intuitívny obrázok:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Vypočítajte reziduum dát (Δd = 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.
Pri tejto technike sú výpočtové náklady na gradient zhruba ekvivalentné dvojnásobku modelovania vĺn na zdroj (dopredný + adjungovaný), takže je stále veľký, ale realizovateľný na HPC/GPU.
3.5 Schéma aktualizácie modelu (optimalizácia)
Po získaní gradientu ( \nabla J \) sa model aktualizuje pomocou optimalizačnej metódy, napríklad:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– alebo Newtonova/kvázi-Newtonova metóda.
Základné aktualizácie:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1} \nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Pracovný postup algoritmu FWI (stručný)
Vo všeobecnosti FWI beží iteratívne:
1. Vyberte počiatočný model \( m_0 \).
2. Pre každý zdroj:
– robiť dopredné modelovanie → syntetické dáta,
– vypočítať rezíduá oproti údajom z pozorovania,
– vykonávať adjungované modelovanie,
– akumulácia gradientu.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Aktualizujte model optimalizačnými metódami.
5. Opakujte, kým sa nedosiahne konvergencia alebo iteračný limit.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Hlavné výzvy v oblasti FWI
5.1 Cycle Skipping
Toto je najznámejší problém. Keď syntetické a pozorované dáta nie sú „vo fáze“, nesúlad L2 môže viesť k optimalizácii k falošným lokálnym minimám. Všeobecné riešenie:
– začínajúc od veľmi nízkych frekvencií,
– vylepšiť východiskový model (tomografia),
– používanie alternatívnych nesúladov,
– menerapkan time windowing dan strategi data selection .
5.2 Výpočtové náklady
3D FWI s viacerými zdrojmi môže vyžadovať tisíce až milióny simulácií priebehov. To si vyžaduje:
– paralelné výpočty (klaster, GPU),
– ukladanie pamäte (kontrolné body na ukladanie vlnových polí),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Nesúlad fyziky a šumu
Údaje z terénu obsahujú šum, vplyvy prístrojov, anizotropiu, útlm (Q), komplexnú topografiu a neistotu zdroja. Ak je dopredné modelovanie príliš jednoduché (napr. akustické, keď je médium elastické), výsledky inverzie môžu byť skreslené.
5.4 Parametrizácia modelu
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. Žiadosť o FWI
FWI sa široko používa na:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geotermálna energia: mapovanie zlomových zón a litologických zmien,
– globálna/regionálna seizmológia: zobrazovanie plášťa a kôry,
– geotechnické a povrchové inžinierstvo: plytké mapovanie základov, tunelov a zmierňujúcich opatrení.
Výhody FWI sú zrejmé, keď je médium zložité a dáta sú bohaté na vlnové informácie: malé difrakcie, viaccestné vlny a násobky, ktoré sa zvyčajne považujú za interferenciu, môžu byť v skutočnosti zdrojmi informácií.
-
7. Záver
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 zdroj.
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.
