Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, pagpapagaan ng sakuna, 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, mapagkukunan komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan mga pangunahing konsepto FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Ano ang Buong Pagbabaligtad ng Waveform?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat datos na seismic 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.
Ang mga pangunahing pagkakaiba sa pagitan ng FWI at iba pang mga pamamaraan ng inversion ay:
– 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.
– Ang FWI ay isang malawakang problema sa nonlinear optimization, dahil ang mga parameter ng modelo (hal., mga bilis ng P- o S-wave) ay maaaring magbilang ng milyun-milyong cell sa isang 2D/3D grid.
-
3. Mga Pangunahing Bahagi sa FWI
3.1 Datos ng Obserbasyon at Datos ng Sintetiko
Kinakailangan ng FWI ang:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
Ang sintetikong datos ay kinakalkula sa pamamagitan ng paglutas ng ekwasyon ng alon (hal. ang ekwasyon ng acoustic wave):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
kung saan ang \( v(\mathbf{x}) \) ay ang bilis ng alon, ang \( p \) ay ang scalar pressure/alon, at ang \( s \) ay ang pinagmulan.
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.
Ang paunang modelo ay karaniwang nakukuha mula sa:
– inversi traveltime (tomografi),
– mga modelo ng makro na bilis mula sa pagsusuring heolohikal,
– o isang pamamaraang may maraming antas (simula sa mababang frequency).
3.3 Tungkuling Obhetibo (Hindi Pagkakatugma)
Mga karaniwang layuning tungkulin:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
kung saan ang \( m \) ay isang parameter ng modelo (hal., bilis), ang \( s \) ay ang source index, at ang \( r \) ay ang receiver index.
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 .
Ang intuitibong larawan:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Kalkulahin ang natitirang datos \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Gamit ang pamamaraang ito, ang computational cost ng gradient ay halos katumbas ng doble ng wave modeling kada source (forward + adjoint), kaya malaki pa rin ito ngunit magagawa sa HPC/GPU.
3.5 Iskemang Pag-update ng Modelo (Pag-optimize)
Kapag nakuha na ang gradient \( \nabla J \), ia-update ang modelo gamit ang isang paraan ng pag-optimize, halimbawa:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– o pamamaraang Newton/Quasi-Newton.
Mga pangunahing update:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Daloy ng Trabaho ng Algoritmo ng FWI (Maikli)
Sa pangkalahatan, ang FWI ay tumatakbo nang paulit-ulit:
1. Piliin ang panimulang modelo \( m_0 \).
2. Para sa bawat pinagmulan:
– gumawa ng pasulong na pagmomodelo → sintetikong datos,
– kalkulahin ang mga residual laban sa datos ng obserbasyon,
– gumawa ng adjoint modeling,
– akumulasyon ng gradient.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. I-update ang modelo gamit ang mga pamamaraan ng pag-optimize.
5. Ulitin hanggang sa maabot ang convergence o ang limitasyon ng iteration.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Mga Pangunahing Hamon sa FWI
5.1 Cycle Skipping
Ito ang pinakakilalang problema. Kapag ang sintetiko at naobserbahang datos ay hindi "nasa yugto," ang L2 misfit ay maaaring humantong sa pag-optimize sa maling lokal na minima. Ang pangkalahatang solusyon:
– nagsisimula sa napakababang frequency,
– pagbutihin ang paunang modelo (tomography),
– paggamit ng mga alternatibong hindi akma,
– menerapkan time windowing dan strategi data selection .
5.2 Gastos sa Pagkalkula
Ang 3D FWI na may maraming pinagmulan ay maaaring mangailangan ng libu-libo hanggang milyun-milyong waveform simulations. Nangangailangan ito ng:
– parallel computing (kumpol, GPU),
– pagtitipid ng memorya (pagsusuri upang i-save ang mga wavefield),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Hindi Pagtugma ng Pisika at Ingay
Ang datos mula sa field ay naglalaman ng ingay, mga epekto ng instrumento, anisotropy, attenuation (Q), kumplikadong topograpiya, at kawalan ng katiyakan sa pinagmulan. Kung ang forward modeling ay masyadong simple (hal., acoustic kapag ang medium ay elastic), ang mga resulta ng inversion ay maaaring maging biased.
5.4 Parameterisasyon ng Modelo
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. Aplikasyon para sa FWI
Malawakang ginagamit ang FWI para sa:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geothermal: pagmamapa ng mga sona ng bali at mga pagbabago sa litholohiya,
– pandaigdigan/rehiyonal na seismolohiya: pag-imaging ng mantle at crust,
– geotechnical at near-surface engineering: mababaw na pagmamapa para sa mga pundasyon, tunnel, at mitigasyon.
Ang mga bentahe ng FWI ay kitang-kita kapag ang medium ay kumplikado at ang data ay mayaman sa impormasyon ng alon: ang maliliit na diffraction, multipath, at multiple na karaniwang itinuturing na interference ay maaaring maging mga mapagkukunan ng impormasyon.
-
7. Pangwakas
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 mapagkukunan.
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.
