Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, blažitev nesreč, 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, vir komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan osnovni pojmi FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Kaj je polna inverzija valovne oblike?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat seizmični podatki 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.
Temeljne razlike med FWI in drugimi inverzijskimi metodami so:
– 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 obsežen nelinearni optimizacijski problem, ker lahko parametri modela (npr. hitrosti P- ali S-valov) štejejo milijone celic na 2D/3D mreži.
-
3. Glavne komponente v FWI
3.1 Opazovalni podatki in sintetični podatki
Zahteve za FWI:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Sintetični podatki se izračunajo z reševanjem valovne enačbe (npr. enačbe akustičnega valovanja):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
kjer je \(v(\mathbf{x}) \) hitrost valovanja, \(p \) skalarni tlak/val in \(s \) vir.
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.
Začetni model se običajno dobi iz:
– inversi traveltime (tomografi),
– modeli makro hitrosti iz geoloških analiz,
– ali večstopenjski pristop (začenši z nizkimi frekvencami).
3.3 Ciljna funkcija (neprileganje)
Skupne ciljne funkcije:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
kjer je m parameter modela (npr. hitrost), s indeks vira in r indeks sprejemnika.
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 .
Intuitivna slika:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Izračunajte ostanek podatkov (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 tej tehniko so računski stroški gradienta približno enaki dvakratniku modeliranja valov na vir (naprej + adjunktno), zato je še vedno velik, vendar izvedljiv na HPC/GPU.
3.5 Shema posodabljanja modela (optimizacija)
Ko je gradient \( \nabla J \) pridobljen, se model posodobi z uporabo optimizacijske metode, na primer:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– ali Newtonova/kvazi-Newtonova metoda.
Osnovne posodobitve:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1} \nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Delovni tok algoritma FWI (jedrnat)
Na splošno se FWI izvaja iterativno:
1. Izberite začetni model (m_0).
2. Za vsak vir:
– izvedite modeliranje naprej → sintetični podatki,
– izračunati ostanke glede na podatke opazovanja,
– izvajati adjunktno modeliranje,
– kopičenje gradientov.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Posodobite model z optimizacijskimi metodami.
5. Ponavljajte, dokler ni dosežena konvergenca ali omejitev iteracije.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Glavni izzivi pri FWI
5.1 Cycle Skipping
To je najbolj znan problem. Ko sintetični in opazovani podatki niso "v fazi", lahko neusklajenost L2 privede do lažnih lokalnih minimumov pri optimizaciji. Splošna rešitev:
– začenši z zelo nizkimi frekvencami,
– izboljšati začetni model (tomografija),
– uporaba alternativnih neprimernih elementov,
– menerapkan time windowing dan strategi data selection .
5.2 Računalniški stroški
3D FWI z več viri lahko zahteva od tisočev do milijonov simulacij valovnih oblik. To zahteva:
– vzporedno računalništvo (gruča, grafični procesor),
– shranjevanje pomnilnika (kontrolne točke za shranjevanje valovnih polj),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Neusklajenost fizike in šuma
Terenski podatki vsebujejo šum, učinke instrumentov, anizotropijo, slabljenje (Q), kompleksno topografijo in negotovost vira. Če je modeliranje naprej preveč preprosto (npr. akustično, ko je medij elastičen), so lahko rezultati inverzije pristranski.
5.4 Parametrizacija modela
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. Vloga za FWI
FWI se pogosto uporablja za:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geotermalna energija: kartiranje razpokanih con in litoloških sprememb,
– globalna/regionalna seizmologija: slikanje plašča in skorje,
– geotehnično in površinsko inženirstvo: plitvo kartiranje temeljev, predorov in blažitev.
Prednosti FWI so očitne, kadar je medij kompleksen in so podatki bogati z valovnimi informacijami: majhne difrakcije, večpotja in večkratniki, ki se običajno štejejo za interferenco, so lahko dejansko viri informacij.
-
7. Zaključek
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 vir.
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.
