הקדמה צום פולן וועיוופאָרם אינווערסיע (FWI) אַלגעריטם
1. פּענדאַהולאַן
אין מאָדערנער געאָפיזיק, וואַקסט די נויטווענדיקייט צו "זען" די ערד'ס אונטערערדישע סטרוקטור. די ענערגיע אינדוסטריע, קאַטאַסטראָפע מיטיגאַציע, געאָטערמישע עקספּלאָראַציע, און אפילו טעקטאָנישע פאָרשונג דאַרפן דעטאַלירטע אונטערערדישע מאָדעלן: ווי סייזמישע כוואַליע גיכקייט ענדערט זיך מיט טיפקייט, וווּ שטיין שיכט גרענעצן געפינען זיך, און ווי קליינע העטעראָגעניטיעס קענען ווירקן כוואַליע פאַרשפּרייטונג. איינער פון די מערסט שטאַרקע צוגאַנגען פֿאַר דעם צוועק איז פולע כוואַליעפאָרם ינווערסיע (FWI), אַן ינווערסיע אַלגערידאַם וואָס ניצט פולשטענדיקע אינפֿאָרמאַציע פון סייזמישע כוואַליעפאָרמען צו אָפּשאַצן אונטערערדישע פיזישע פּאַראַמעטערס.
FWI ווערט אָפט גערופן דער "גאָלדענער סטאַנדאַרט" פון סייזמישער אינווערסיע ווייל עס קען פּראָדוצירן הויך-רעזאָלוציע אונטערערדישע בילדער, וואָס איבערטרעפט קאַנווענשאַנעלע צוגאַנגען וואָס נוצן בלויז רייזע-צייט אָדער פּשוטע אַמפּליטוד. אָבער, די מאַכט קומט מיט אַ פּרייַז: FWI ריקווייערז פּינקטלעכע כוואַליע מאָדעלינג, באַדייטנדיקע קאָמפּיוטינג רעסורסן, און אָפּגעהיטע אָפּטימיזאַציע סטראַטעגיעס צו ויסמיידן צו פאַלן אין פאַלשע לייזונגען.
דיזער אַרטיקל שטעלט פֿאָר די גרונט־קאָנצעפּטן פֿון FWI, די הויפּט־קאָמפּאָנענטן פֿון זײַן אַלגעריטם, און אַלגעמיינע שוועריקייטן און סטראַטעגיעס אין זײַן אימפּלעמענטאַציע.
-
2. וואָס איז פולע כוואַליעפאָרם ינווערזשאַן?
פשוט געזאגט, FWI איז דער פּראָצעס פון געפֿינען אַן אונטערערדישן מאָדעל וואָס פּאַסט בעסטן סימולירטע סייזמיק דאַטן צו באַאָבאַכטע סייזמיק דאַטן. "בעסטע פּאַסיק" ווערט דעפינירט דורך אַן אָביעקטיוו פֿונקציע (מיספֿיט), ווי צום ביישפּיל דער קוואַדראַטישער אונטערשייד צווישן באַאָבאַכטע און סינטעטישע דאַטן ביי יעדן צייטפּונקט און ביי יעדן ריסיווער.
די יסודות'דיגע אונטערשיידן צווישן FWI און אנדערע אינווערסיע מעטאדן זענען:
– FWI ניצט די גאנצע כוואַליעפאָרם (פאַזע, אַמפּליטוד, ינטערפיראַנס, מולטיפּל, דיפראַקשאַן), נישט נאָר אָנקומען צייט פּיקינג.
– FWI פארלאזט זיך אויף לייזן די כוואַליע גלייכונג (אַקוסטיש, עלאַסטיש, אדער אַנעלאַסטיש) צו סימולירן סינטעטישע דאַטן.
– FWI איז אַ גרויס-מאָסשטאַב נישט-לינעאַר אָפּטימיזאַציע פּראָבלעם, ווײַל די מאָדעל פּאַראַמעטערס (למשל, P- אָדער S-כוואַליע גיכקייטן) קענען ציילן מיליאָנען צעלן אויף אַ 2D/3D גריד.
-
3. הויפּט קאָמפּאָנענטן אין FWI
3.1 אָבסערוואַציאָנעלע דאַטן און סינטעטישע דאַטן
FWI פארלאנגט:
– אבזערוואציע דאטן: פעלד סייזמישע רעקארדירונגען (שאס זאמלונג) פון פארשידענע קוועלער און ריסיווערס.
– סינטעטישע דאטן: רעזולטאטן פון נומערישער סימולאציע פון כוואַליע פאַרשפּרייטונג אויף אַ צייטווייליקן מאָדעל.
סינטעטישע דאטן ווערט אויסגערעכנט דורך לייזן די כוואַליע גלייכונג (למשל די אַקוסטישע כוואַליע גלייכונג):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
וואו \(v(\mathbf{x}) \) איז די כוואַליע גיכקייט, \(p \) איז דער סקאַלאַר דרוק/כוואַליע, און \(s \) איז די מקור.
3.2 ערשט מאָדעל
FWI איז זייער סענסיטיוו צום ערשטן מאָדעל. אויב דער ערשטער מאָדעל איז צו ווייט פון די פאַקטישע באַדינגונגען, קען דער אַלגעריטם דערפאַרן ציקל סקיפּינג, וואָס איז ווען דער פאַזע חילוק צווישן די סינטעטישע און באַאָבאַכטע דאַטן איז מער ווי אַ האַלב פּעריאָד, וואָס פאַראורזאַכט אַז דער גראַדיענט זאָל שטופּן די לייזונג אין דער אומרעכטער ריכטונג.
דער ערשטער מאָדעל ווערט געוויינטלעך באַקומען פֿון:
– רייזע-צייט אינווערסיע (טאָמאָגראַפֿיע),
– מאַקראָ גיכקייט מאָדעלן פון געאָלאָגישער אַנאַליז,
– אדער א מולטי-סקייל צוגאַנג (אָנהייבנדיק פֿון נידעריקע פֿרעקווענצן).
3.3 אָביעקטיוו פֿונקציע (מיספֿיט)
געוויינטלעכע אָביעקטיוו פונקציעס:
\[
J(m) = \frac{1}{2}\sum_{s}\sum_{r}\int (d_{syn}(t; m) - d_{obs}(t))^2 \, dt
\]
וואו \(m \) איז א מאָדעל פּאַראַמעטער (למשל, גיכקייט), \(s \) איז דער קוואַל אינדעקס, און \(r \) איז דער ריסיווער אינדעקס.
חוץ דעם קלאסישן L2 מיספיט, זענען דא אויך אנדערע מיספיטס צו רעדוצירן ציקל איבערשפרינגען, למשל:
– ענוועלאָפּ-באַזירט מיספיט,
– נאָר-פאַזע מיספיט,
- אָפּטימאַל אַריבערפירן (וואַסערשטיין),
– אדער פּאַסיקע פילטערס.
3.4 גראַדיענט קאַלקולאַציע: אַדזשוינט-שטאַט מעטאָד
איינע פון די הויפּט פֿעיִקייטן פון FWI איז ווי עפֿעקטיוו צו רעכענען גראַדיענטן. ווײַל די צאָל מאָדעל פּאַראַמעטערס איז אַזוי גרויס, איז דירעקט נומעריש דעריוואַציע אוממעגלעך. די לייזונג איז די אַדזשוינט-שטאַט מעטאָד.
די אינטואיטיווע בילד:
1. פאָרווערטס מאָדעלירן: רעכענען אויס דאָס פאָרווערטס כוואַליע פעלד פֿון דער מקור אין דעם איצטיקן מאָדעל.
2. רעכנט אויס די דאַטן רעזידואַל (Δd = syn – d obs).
3. אַדזשוינט מאָדעלירן: אינדזשעקטירן דעם רעזידועל ווי אַ "צוריקקער מקור" פֿון דער ופנעמער פּאָזיציע און פֿאַרשפּרייטן עס צוריק אין צייט.
4. די קארעלאציע צווישן די פארווערטס און צוגעבונדענע כוואַליע פעלדער פּראָדוצירט אַ גראַדיענט צו די מאָדעל פּאַראַמעטערס.
מיט דעם טעכניק, איז די קאמפיוטאציאנעלע קאסט פון דעם גראדיענט בערך גלייך צו צוויי מאל די כוואליע מאדעלירונג פער מקור (פארווערטס + אדזשוינט), אזוי איז עס נאך אלץ גרויס אבער מעגליך אויף HPC/GPU.
3.5 מאָדעל אַפּדייט סכעמע (אָפּטימיזאַציע)
אזוי שנעל ווי דער גראַדיענט (\nabla J\) ווערט באַקומען, ווערט דאָס מאָדעל אַפּדייטעד מיט אַן אָפּטימיזאַציע מעטאָדע, למשל:
– שטייפֿסטע אַראָפּגאַנג (פּשוטעסטע),
– קאָניוגאַט גראַדיענט,
– L-BFGS (געוויינטלעך געניצט ווייל עס איז עפעקטיוו פאר גרויסע פראבלעמען),
– אדער ניוטאן/קוואַזי-ניוטאן מעטאָד.
גרונטלעכע דערהייַנטיקונגען:
\[
m_{k+1} = m_k – αk, H_k^{-1}ΔJ(m_k)
\]
וואו \( \alpha_k \) איז די שריט לענג, און \(H_k^{-1} \) איז די אינווערסע העסישע אפראקסימאציע (למשל אין L-BFGS).
-
4. FWI אַלגעריטם וואָרקפלאָו (קאָנציז)
בכלל, FWI לויפט איטעראַטיוולי:
1. אויסקלייבן דעם ערשטן מאָדעל \(m_0 \).
2. פֿאַר יעדער מקור:
– טאָן פאָרווערטס מאָדעלינג → סינטעטישע דאַטן,
– אויסרעכענען די רעזידועלן קעגן די אבזערוואציע דאטן,
– טאָן אַדזשוינט מאָדעלינג,
– גראַדיענט אַקיומיאַליישאַן.
3. אנװענדן פארקאנדישאנירונג (למשל, באלויכטונג קאמפענסאציע אדער גלאט מאכן).
4. דערהייַנטיקן דעם מאָדעל מיט אָפּטימיזאַציע מעטאָדן.
5. איבערחזרן ביז די קאנווערגענץ אדער די איטעראציע לימיט ווערט דערגרייכט.
טיפּישערװײַז װערט FWI דורכגעפֿירט אין מולטיסקאַלע, אָנהייבנדיק בײַ נידעריגע פֿרעקווענצן (קאָריגירן גרויס-סקאַלע מאָדעל קאָמפּאָנענטן) און דערנאָך באַװעגנדיק זיך אַרויף צו העכערע פֿרעקווענצן (צוגעבן דעטאַלן).
-
5. הויפּט שוועריקייטן אין FWI
5.1 ציקל איבערשפרינגען
דאָס איז די מערסט באַקאַנטע פּראָבלעם. ווען סינטעטישע און באַאָבאַכטע דאַטן זענען נישט "אין פאַזע," קען L2 מיספּאַס פירן צו אָפּטימיזאַציע צו פאַלשע לאָקאַלע מינימאַ. די אַלגעמיינע לייזונג:
– אָנהייבנדיק פֿון זייער נידעריקע פֿרעקווענצן,
– פֿאַרבעסערן דעם ערשטן מאָדעל (טאָמאָגראַפֿיע),
– ניצן אַלטערנאַטיווע מיספיטס,
– אָנווענדן צייט פֿענצטער און דאַטן סעלעקציע סטראַטעגיעס.
5.2 קאמפיוטאַציאָנעלע קאָסטן
3D FWI מיט קייפל קוועלער קען פארלאנגען טויזנטער ביז מיליאנען כוואַליעפאָרמ סימולאַציעס. דאָס פארלאנגט:
– פּאַראַלעל קאָמפּיוטינג (קלאַסטער, GPU),
– זכּרון שפּאָרן (טשעקפּוינטינג צו ראַטעווען כוואַליעפעלדער),
– ווי אויך קוואַל סאַבסעט סעלעקציע סטראַטעגיעס (קוואַל ענקאָודינג אָדער מיני-באַטש אַלאַ מאַשין לערנען).
5.3 פיזיק און ראַש מיספּאַס
פעלד דאטן אנטהאלטן ראַש, אינסטרומענט עפעקטן, אניזאָטראָפּיע, אַטענואַציע (Q), קאָמפּלעקסע טאָפּאָגראַפֿיע, און מקור אומזיכערקייט. אויב די פאָרווערטס מאָדעלינג איז צו פּשוט (למשל, אַקוסטיש ווען די מעדיום איז עלאַסטיש), קענען די ינווערזשאַן רעזולטאַטן זיין בייאַס.
5.4 מאָדעל פּאַראַמעטעריזאַציע
אויסקלויבן וועלכע פאראמעטערס צו אינווערטירן (למשל, \(v_p \), געדיכטקייט, \(v_s \), אניזאטראפי, Q) ווירקט אויף סענסיטיוויטי און פעסטקייט. צו פיל פאראמעטערס קענען פאראורזאכן קאמפראמיסן און פארערגערן קאנווערגענץ.
-
6. FWI אַפּליקאַציע
FWI איז ברייט געניצט פֿאַר:
– אויל און גאז אויספארשונג: פֿאַרבעסערן די רעזאָלוציע פֿון גיכקייט מאָדעלן, אַסיסטירן מיגראַציע און אינטערפּרעטאַציע פֿון סטרוקטורן,
– געאטערמישע: קאַרטירן בראָך זאָנעס און ליטאָלאָגישע ענדערונגען,
– גלאבאלע/רעגיאָנאַלע סייזמאָלאָגיע: מאַנטל און קראַסט בילדגעבונג,
– געאָטעכנישע און נאָענט-אויבערפלאַך אינזשעניריע: פלאַך מאַפּינג פֿאַר יסודות, טונעלן, און מיטיגאַציע.
די מעלות פון FWI זענען קלאָר ווען די מעדיום איז קאָמפּלעקס און די דאַטן איז רייך אין כוואַליע אינפֿאָרמאַציע: קליינע דיפראַקשאַנז, מולטיפּאַטס, און מאַלטיפּאַלז וואָס ווערן געוויינטלעך באַטראַכט ווי ינטערפיראַנס קענען טאַקע זיין קוועלער פון אינפֿאָרמאַציע.
-
7. מסקנא
פולע וועוופאָרם אינווערסיע איז אַ סייזמישער אינווערסיע אַלגעריטם וואָס נוצט די רייכע אינפֿאָרמאַציע וואָס איז אַנטהאַלטן אין וועוופאָרמען צו בויען הויך-רעזאָלוציע אונטערערדישע מאָדעלן. זיין שליסל צו הצלחה ליגט אין גענויע וועוו גלייכונג מאָדעלינג, עפעקטיווע גראַדיענט קאַלקולאַציעס ניצן די אַדזשוינט-שטאַט מעטאָד, און אָפּטימיזאַציע סטראַטעגיעס וואָס ויסמיידן לאָקאַלע מינימאַ אַזאַ ווי ציקל סקיפּינג. טראָץ זייַנע הויכע קאַמפּיוטיישאַנאַל פאָדערונגען און אָפּגעהיט וואָרקפלאָו פּלאַן, האט FWI זיך באַוויזן צו זיין אַ שטאַרקער צוגאַנג אין געאָימאַגינג און רעסורסן עקספּלעריישאַן.
אויב איר ווילט, קען איך פאָרזעצן מיט מער טעכנישע נאכפאלג ארטיקלען—למשל, דיסקוטירן די אדזשוינט גראַדיענט דעריוואַציע מער פאָרמעל, FWI פּסעוודאָקאָד ביישפילן, אדער באַנד-פּאַס און ווינדאָוינג-באַזירטע מולטיסקייל סטראַטעגיעס פֿאַר פאַקטישע דאַטן.
