Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. เพนดาฮูหลวน
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, การบรรเทาภัยพิบัติ, 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, ซัมเมอร์เดย์ komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan แนวคิดพื้นฐาน FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. การกลับเฟสคลื่นเต็มรูปแบบ (Full Waveform Inversion) คืออะไร?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat ข้อมูลแผ่นดินไหว 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.
ความแตกต่างพื้นฐานระหว่าง FWI กับวิธีการผกผันอื่นๆ มีดังนี้:
– 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 เป็นปัญหาการหาค่าเหมาะสมที่สุดแบบไม่เชิงเส้นขนาดใหญ่ เนื่องจากพารามิเตอร์ของแบบจำลอง (เช่น ความเร็วคลื่น P หรือ S) อาจมีจำนวนเซลล์นับล้านบนตาราง 2 มิติ/3 มิติ
-
3. ส่วนประกอบหลักใน FWI
3.1 ข้อมูลจากการสังเกตและข้อมูลสังเคราะห์
FWI กำหนดให้:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
ข้อมูลสังเคราะห์คำนวณได้จากการแก้สมการคลื่น (เช่น สมการคลื่นเสียง):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
โดยที่ \( v(\mathbf{x}) \) คือความเร็วของคลื่น, \( p \) คือความดัน/คลื่นแบบสเกลาร์ และ \( s \) คือแหล่งกำเนิด
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.
แบบจำลองเริ่มต้นมักได้มาจาก:
– inversi traveltime (tomografi),
– แบบจำลองความเร็วระดับมหภาคจากการวิเคราะห์ทางธรณีวิทยา
หรือวิธีการแบบหลายระดับ (เริ่มต้นจากความถี่ต่ำ)
3.3 ฟังก์ชันวัตถุประสงค์ (ความคลาดเคลื่อน)
ฟังก์ชันวัตถุประสงค์ทั่วไป:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
โดยที่ \( m \) คือพารามิเตอร์ของแบบจำลอง (เช่น ความเร็ว) \( s \) คือดัชนีของแหล่งกำเนิด และ \( r \) คือดัชนีของตัวรับ
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 .
ภาพที่เข้าใจได้ง่าย:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. คำนวณค่าความคลาดเคลื่อนของข้อมูล \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
ด้วยเทคนิคนี้ ต้นทุนการคำนวณของเกรเดียนต์จะเทียบเท่ากับการสร้างแบบจำลองคลื่นต่อแหล่งกำเนิด (ไปข้างหน้า + ผกผัน) ประมาณสองเท่า ดังนั้นจึงยังคงมีขนาดใหญ่ แต่ก็สามารถทำได้บน HPC/GPU
3.5 แผนการปรับปรุงแบบจำลอง (การปรับให้เหมาะสม)
เมื่อได้ค่าเกรเดียนต์ \( \nabla J \) แล้ว โมเดลจะได้รับการปรับปรุงโดยใช้วิธีการหาค่าเหมาะสมที่สุด ตัวอย่างเช่น:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– หรือวิธีของนิวตัน/วิธีควาซี-นิวตัน
การอัปเดตพื้นฐาน:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. ขั้นตอนการทำงานของอัลกอริธึม FWI (ฉบับย่อ)
โดยทั่วไป FWI จะทำงานแบบวนซ้ำ:
1. เลือกโมเดลเริ่มต้น \( m_0 \).
2. สำหรับแต่ละแหล่งข้อมูล:
– ทำแบบจำลองไปข้างหน้า → ข้อมูลสังเคราะห์
– คำนวณค่าความคลาดเคลื่อนเทียบกับข้อมูลการสังเกต
– ทำการสร้างแบบจำลองแอดจอยต์
– การสะสมความชัน
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. ปรับปรุงแบบจำลองด้วยวิธีการปรับให้เหมาะสมที่สุด
5. ทำซ้ำจนกว่าจะได้ผลลัพธ์ที่เสถียรหรือถึงขีดจำกัดการวนซ้ำ
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. ความท้าทายหลักใน FWI
5.1 Cycle Skipping
นี่คือปัญหาที่รู้จักกันดีที่สุด เมื่อข้อมูลสังเคราะห์และข้อมูลที่สังเกตได้ไม่ "สอดคล้องกัน" ความคลาดเคลื่อนของ L2 อาจนำไปสู่การหาค่าต่ำสุดเฉพาะที่ที่ผิดพลาดได้ วิธีแก้ปัญหาทั่วไปคือ:
– เริ่มต้นจากความถี่ต่ำมาก
– ปรับปรุงแบบจำลองเริ่มต้น (โทโมกราฟี)
- การใช้ตัวละครที่ไม่เข้าพวกทางเลือกอื่นๆ
– menerapkan time windowing dan strategi data selection .
5.2 ต้นทุนการคำนวณ
การวิเคราะห์ FWI แบบ 3 มิติด้วยแหล่งกำเนิดหลายแหล่ง อาจต้องใช้การจำลองรูปคลื่นหลายพันถึงหลายล้านครั้ง ซึ่งต้องใช้สิ่งต่อไปนี้:
– การประมวลผลแบบขนาน (คลัสเตอร์, GPU)
– การบันทึกข้อมูลลงหน่วยความจำ (การทำ Checkpointing เพื่อบันทึกข้อมูลสนามคลื่น)
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 ความไม่สอดคล้องกันทางฟิสิกส์และสัญญาณรบกวน
ข้อมูลภาคสนามประกอบด้วยสัญญาณรบกวน ผลกระทบจากเครื่องมือ ความไม่สม่ำเสมอ การลดทอน (Q) ภูมิประเทศที่ซับซ้อน และความไม่แน่นอนของแหล่งกำเนิด หากการสร้างแบบจำลองไปข้างหน้าเรียบง่ายเกินไป (เช่น แบบจำลองเสียงเมื่อตัวกลางมีความยืดหยุ่น) ผลลัพธ์ของการวิเคราะห์ย้อนกลับอาจคลาดเคลื่อนได้
5.4 การกำหนดพารามิเตอร์ของแบบจำลอง
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. ใบสมัคร FWI
FWI ถูกนำไปใช้อย่างแพร่หลายในด้านต่างๆ ดังนี้:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– พลังงานความร้อนใต้พิภพ: การทำแผนที่เขตแนวรอยแตกและการเปลี่ยนแปลงทางธรณีวิทยา
– ธรณีวิทยาแผ่นดินไหวระดับโลก/ภูมิภาค: การสร้างภาพชั้นเนื้อโลกและเปลือกโลก
– งานด้านธรณีเทคนิคและวิศวกรรมผิวดิน: การสำรวจพื้นผิวตื้นเพื่อการวางรากฐาน อุโมงค์ และการบรรเทาผลกระทบ
ข้อดีของ FWI นั้นเห็นได้ชัดเจนเมื่อตัวกลางมีความซับซ้อนและข้อมูลอุดมไปด้วยข้อมูลคลื่น: การเลี้ยวเบนขนาดเล็ก เส้นทางหลายเส้น และคลื่นสะท้อนหลายครั้งที่โดยปกติถือว่าเป็นสัญญาณรบกวนนั้น แท้จริงแล้วอาจเป็นแหล่งข้อมูลได้
-
7. เพนนูอัพ
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 ซัมเมอร์เดย์.
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.
