Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, katastrofreducering, 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, resurs komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan grundläggande begrepp FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Vad är fullständig vågformsinversion?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat seismiska data 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.
De grundläggande skillnaderna mellan FWI och andra inversionsmetoder är:
– 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 är ett storskaligt ickelinjärt optimeringsproblem, eftersom modellparametrarna (t.ex. P- eller S-vågshastigheter) kan uppgå till miljontals celler i ett 2D/3D-rutnät.
-
3. Huvudkomponenter i FWI
3.1 Observationsdata och syntetiska data
FWI kräver:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Syntetiska data beräknas genom att lösa vågekvationen (t.ex. den akustiska vågekvationen):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
där \(v(\mathbf{x}) \) är våghastigheten, \(p \) är det skalära trycket/vågen och \(s \) är källan.
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.
Den ursprungliga modellen erhålls vanligtvis från:
– inversi traveltime (tomografi),
– makrohastighetsmodeller från geologisk analys,
– eller en flerskalig metod (med början från låga frekvenser).
3.3 Objektivfunktion (Misanpassning)
Vanliga objektiva funktioner:
\[
J(m) = \frac{1}{2}\sum_{s}\sum_{r}\int (d_{syn}(t; m) - d_{obs}(t))^2 \, dt
\]
där \(m \) är en modellparameter (t.ex. hastighet), \(s \) är källindex och \(r \) är mottagarindex.
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 .
Den intuitiva bilden:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Beräkna dataresidualen (Δd = d_syn – d_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.
Med denna teknik är beräkningskostnaden för gradienten ungefär motsvarande dubbelt så mycket som vågmodelleringen per källa (framåt + adjungerad), så den är fortfarande stor men genomförbar på HPC/GPU.
3.5 Modelluppdateringsschema (optimering)
När gradienten \( \nabla J \) har erhållits uppdateras modellen med hjälp av en optimeringsmetod, till exempel:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– eller Newton/Quasi-Newton-metoden.
Grundläggande uppdateringar:
\[
m_{k+1} = m_k – α_k, H_k^{-1}⁻¹ J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. FWI-algoritmens arbetsflöde (koncis)
I allmänhet körs FWI iterativt:
1. Välj den initiala modellen \(m_0 \).
2. För varje källa:
– göra framåtriktad modellering → syntetiska data,
– beräkna residualerna mot observationsdata,
– göra adjungerad modellering,
– gradientackumulering.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Uppdatera modellen med optimeringsmetoder.
5. Upprepa tills konvergens eller iterationsgränsen är nådd.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Huvudsakliga utmaningar i FWI
5.1 Cycle Skipping
Detta är det mest välkända problemet. När syntetiska och observerade data inte är "i fas" kan L2-missanpassning leda till optimering till falska lokala minima. Den allmänna lösningen:
– med början från mycket låga frekvenser,
– förbättra den ursprungliga modellen (tomografi),
– med hjälp av alternativa missanpassningar,
– menerapkan time windowing dan strategi data selection .
5.2 Beräkningskostnad
3D FWI med flera källor kan kräva tusentals till miljontals vågformssimuleringar. Detta kräver:
– parallell beräkning (kluster, GPU),
– minnessparande (kontrollpunktshantering för att spara vågfält),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Fysik och brusmissmatchning
Fältdata innehåller brus, instrumenteffekter, anisotropi, dämpning (Q), komplex topografi och källosäkerhet. Om framåtmodelleringen är för enkel (t.ex. akustisk när mediet är elastiskt) kan inversionsresultaten bli snedvridna.
5.4 Modellparametrisering
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. Ansökan om säkerhet i säkerhet
FWI används ofta för:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geotermisk energi: kartläggning av sprickzoner och litologiska förändringar,
– global/regional seismologi: avbildning av mantel och jordskorpa,
– geoteknisk och marknära teknik: ytlig kartläggning för grundläggning, tunnlar och begränsningsåtgärder.
Fördelarna med FWI är uppenbara när mediet är komplext och datan är rik på våginformation: små diffraktioner, multivägar och multiplar som vanligtvis betraktas som interferens kan faktiskt vara informationskällor.
-
7. Penutup
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 resurs.
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.
