Introduktion till algoritmen Full Waveform Inversion (FWI)
1. Pendahuluan
Inom modern geofysik ökar behovet av att "se" jordens underjordiska struktur. Energiindustrin, katastrofbekämpning, geotermisk prospektering och till och med tektonisk forskning kräver detaljerade underjordiska modeller: hur seismiska våghastigheter förändras med djupet, var berglagergränser finns och hur små heterogeniteter kan påverka vågutbredning. En av de mest kraftfulla metoderna för detta ändamål är Full Waveform Inversion (FWI), en inversionsalgoritm som använder fullständig information från seismiska vågformer för att uppskatta fysiska parametrar under jord.
FWI kallas ofta för "guldstandarden" för seismisk inversion eftersom den kan producera högupplösta underjordsbilder, vilket överträffar konventionella metoder som endast använder gångtid eller enkel amplitud. Denna kraft har dock ett pris: FWI kräver noggrann vågmodellering, betydande datorresurser och noggranna optimeringsstrategier för att undvika att hamna i felaktiga lösningar.
Den här artikeln introducerar de grundläggande koncepten för FWI, huvudkomponenterna i dess algoritm och allmänna utmaningar och strategier vid dess implementering.
-
2. Vad är fullständig vågformsinversion?
Enkelt uttryckt är FWI processen att hitta en underjordsmodell som bäst matchar simulerade seismiska data med observerade seismiska data. "Bästa anpassning" definieras av en objektiv funktion (missanpassning), såsom den kvadrerade skillnaden mellan observerade och syntetiska data vid varje tidpunkt och vid varje mottagare.
De grundläggande skillnaderna mellan FWI och andra inversionsmetoder är:
– FWI använder hela vågformen (fas, amplitud, interferens, multipel, diffraktion), inte bara ankomsttidsplockning.
– FWI förlitar sig på att lösa vågekvationen (akustisk, elastisk eller anelastisk) för att simulera syntetiska data.
– 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:
– Observationsdata: fältseismiska inspelningar (skottinsamling) från olika källor och mottagare.
– Syntetiska data: resultat av numerisk simulering av vågutbredning på en temporär modell.
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 Ursprunglig modell
FWI är mycket känslig för den initiala modellen. Om den initiala modellen är för långt från de faktiska förhållandena kan algoritmen uppleva cykelhoppning, vilket är när fasskillnaden mellan den syntetiska och observerade datan är mer än en halv period, vilket gör att gradienten trycker lösningen i fel riktning.
Den ursprungliga modellen erhålls vanligtvis från:
– inversion av restid (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.
Förutom den klassiska L2-missanpassningen finns det även alternativa missanpassningar för att minska cykelhopp, till exempel:
– kuvertbaserad missanpassning,
– endast fasfelanpassning,
– optimal transport (Wasserstein),
– eller matchande filter.
3.4 Gradientberäkning: Adjoint-State-metoden
En av nyckelfunktionerna i FWI är hur man effektivt beräknar gradienter. Eftersom antalet modellparametrar är så stort är direkt numerisk härledning omöjlig. Lösningen är adjoint-state-metoden.
Den intuitiva bilden:
1. Framåtriktad modellering: beräkna det framåtriktade vågfältet från källan i den aktuella modellen.
2. Beräkna dataresidualen (Δd = d_syn – d_obs).
3. Adjungerad modellering: injicera residualen som en "returkälla" från mottagarpositionen och fortplanta den bakåt i tiden.
4. Korrelationen mellan de framåtriktade och adjungerade vågfälten producerar en gradient för modellparametrarna.
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:
– Brantaste nedförsbacke (enklaste),
– Konjugerad gradient,
– L-BFGS (vanligtvis använd eftersom den är effektiv för stora problem),
– eller Newton/Quasi-Newton-metoden.
Grundläggande uppdateringar:
\[
m_{k+1} = m_k – α_k, H_k^{-1}⁻¹ J(m_k)
\]
där \( \α_k \) är steglängden och \( H_k^{-1} \) är den inversa hessiska approximationen (t.ex. i 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. Tillämpa förkonditionering (t.ex. ljuskompensation eller utjämning).
4. Uppdatera modellen med optimeringsmetoder.
5. Upprepa tills konvergens eller iterationsgränsen är nådd.
Vanligtvis körs FWI i flera skalor, med början vid låga frekvenser (korrigering av storskaliga modellkomponenter) och sedan upp till högre frekvenser (lägger till detaljer).
-
5. Huvudsakliga utmaningar i FWI
5.1 Cykelhopp
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,
– tillämpa tidsfönsteranalys och strategier för dataurval.
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),
– samt strategier för urval av källundergrupper (källkodning eller minibatch ala maskininlärning).
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
Att välja vilka parametrar som ska inverteras (t.ex. \(v_p \), densitet, \(v_s \), anisotropi, Q) påverkar känslighet och stabilitet. För många parametrar kan orsaka avvägningar och försämra konvergensen.
-
6. Ansökan om säkerhet i säkerhet
FWI används ofta för:
– olje- och gasutforskning: förbättring av upplösningen i hastighetsmodeller, stöd vid migration och tolkning av strukturer,
– 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 är en seismisk inversionsalgoritm som utnyttjar den rika informationen i vågformer för att bygga högupplösta underjordsmodeller. Nyckeln till framgång ligger i noggrann vågformsekvationsmodellering, effektiva gradientberäkningar med hjälp av adjoint-state-metoden och optimeringsstrategier som undviker lokala minima som cykelhopp. Trots sina höga beräkningskrav och noggranna arbetsflödesdesign har FWI visat sig vara en kraftfull metod inom geoavbildning och resursutforskning.
Om du vill kan jag fortsätta med mer tekniska uppföljningsartiklar – till exempel en mer formell diskussion om adjungerad gradientderivering, exempel på FWI-pseudokod eller bandpass- och fönsterbaserade multiskalestrategier för verkliga data.
