Pengenalan kepada Algoritma Full Waveform Inversion (FWI)
1. Pendahuluan
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, ajalu idinku, 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, awọn oluşewadi komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan àwọn èrò ìpìlẹ̀ FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. Kí ni Ìyípadà Ìgbìmọ̀ Ẹ̀rọ Kíkún?
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat data ilẹ̀ rírì 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.
Awọn iyatọ ipilẹ laarin FWI ati awọn ọna inversion miiran ni:
– 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 jẹ́ ìṣòro ìṣàtúnṣe tí kò ní ìlà tóbi, nítorí pé àwọn pàrámítà àwòṣe (fún àpẹẹrẹ, iyàrá ìgbì P- tàbí S) lè ka mílíọ̀nù sẹ́ẹ̀lì lórí àkójọ 2D/3D kan.
-
3. Àwọn Ẹ̀yà Pàtàkì Nínú FWI
3.1 Dáta Àkíyèsí àti Dáta Sísètíkì
FWI nilo:
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
A ṣe ìṣirò ìwádìí nípa ṣíṣe àtúnṣe ìṣètò ìgbì (fún àpẹẹrẹ ìṣètò ìgbì acoustic):
\[
\frac{1}{v^2(\mathbf{x})}\frac{\ partial^2 p}{\apakan t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
níbi tí \( v(\mathbf{x}) \) jẹ́ iyàrá ìgbì, \( p \) jẹ́ ìtẹ̀sí/ìgbì scalar, àti \( s \) jẹ́ orísun.
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.
A maa n gba awoṣe akọkọ lati:
– inversi traveltime (tomografi),
– awọn awoṣe iyara macro lati inu itupalẹ ilẹ,
– tàbí ọ̀nà tí ó ní ọ̀pọ̀lọpọ̀ ìwọ̀n (tí ó bẹ̀rẹ̀ láti àwọn ìpele kékeré).
3.3 Iṣẹ́ Àfojúsùn (Àìbáramu)
Awọn iṣẹ ifọkansi ti o wọpọ:
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
níbi tí \( m \) jẹ́ paramita àpẹẹrẹ (fún àpẹẹrẹ, iyara), \( s \) jẹ́ àtọ́ka orísun, àti \( r \) jẹ́ àtọ́ka olùgbà.
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 .
Àwòrán tó ṣe kedere:
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. Ṣírò ìṣẹ́kù data \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
Pẹ̀lú ọ̀nà yìí, iye owó ìṣirò ti gradient náà jẹ́ ní ìlọ́po méjì sí ìlọ́po méjì àwòrán ìgbì fún orísun kọ̀ọ̀kan (forward + adjoint), nítorí náà ó ṣì tóbi ṣùgbọ́n ó ṣeé ṣe lórí HPC/GPU.
Ètò Ìmúdàgbàsókè Àwòṣe 3.5 (Ìmúdàgbàsókè)
Nígbà tí a bá ti gba gradient \( \nabla J \) tán, a ó ṣe àtúnṣe àwòrán náà nípa lílo ọ̀nà ìṣelọ́pọ́, fún àpẹẹrẹ:
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
– tàbí ọ̀nà Newton/Quasi-Newton.
Awọn imudojuiwọn ipilẹ:
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
4. Ìṣiṣẹ́ Àlàyé FWI (Kókókó)
Ni gbogbogbo, FWI n ṣiṣẹ ni igba pupọ:
1. Yan awoṣe akọkọ \( m_0 \).
2. Fún orísun kọ̀ọ̀kan:
– ṣe àwòṣe síwájú → ìwífún àdàpọ̀,
- ṣe iṣiro awọn iyokù si data akiyesi,
- ṣe awoṣe ajọṣepọ,
– ìkójọpọ̀ ìpele.
3. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
4. Ṣe àtúnṣe sí àwòrán náà pẹ̀lú àwọn ọ̀nà ìṣelọ́pọ́.
5. Tún ṣe é títí tí ìdàpọ̀ tàbí ààlà ìtúnṣe yóò fi dé.
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. Awọn Ipenija Pataki ninu FWI
5.1 Cycle Skipping
Èyí ni ìṣòro tí a mọ̀ jùlọ. Nígbà tí àwọn dátà oníṣe àti àwọn tí a ṣàkíyèsí kò bá “wà ní ìpele kan,” àìsí ìfitónilétí L2 lè mú kí ìṣàtúnṣe dé ibi tí kò dára rárá. Ojútùú gbogbogbòò:
– bẹ̀rẹ̀ láti àwọn ìgbà tí ó kéré gan-an,
– mu awoṣe akọkọ (tomography) dara si,
- lilo awọn aṣiṣe miiran,
– menerapkan time windowing dan strategi data selection .
5.2 Iye owo iṣirò
FWI 3D pẹ̀lú ọ̀pọ̀lọpọ̀ orísun lè nílò ẹgbẹẹgbẹ̀rún sí mílíọ̀nù àwọn ìṣe àfarawé ìgbì. Èyí nílò:
– iširo parallel (iṣupọ, GPU),
- fifipamọ iranti (ṣayẹwo lati fipamọ awọn aaye igbi omi),
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
5.3 Ìbáramu Fisiksi ati Ariwo
Àwọn ìwádìí pápá ní ariwo, ipa ohun èlò orin, anisotropy, ìdínkù (Q), àwòrán ilẹ̀ tó díjú, àti àìdánilójú orísun. Tí àpẹẹrẹ ìṣelọ́pọ́ síwájú bá rọrùn jù (fún àpẹẹrẹ, ohùn nígbà tí ohun èlò náà bá rọ̀), àwọn àbájáde ìyípadà lè jẹ́ ẹ̀gbẹ́.
5.4 Ìṣàfihàn Àwòṣe
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. Ohun elo FWI
FWI ni a nlo fun:
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– geothermal: ṣe àfihàn àwọn agbègbè ìfọ́ àti àwọn ìyípadà lithological,
– ìmọ̀ ìjìnlẹ̀ kárí ayé/agbègbè: àwòrán aṣọ ìbora àti ìgbẹ́,
– ìmọ̀ ẹ̀rọ ilẹ̀ àti ìmọ́-ẹ̀rọ tó sún mọ́ ojú ilẹ̀: àwòrán ilẹ̀ tó jinlẹ̀ fún ìpìlẹ̀, àwọn ọ̀nà abẹ́lẹ̀, àti ìdènà.
Àwọn àǹfààní FWI hàn gbangba nígbà tí ohun èlò náà bá díjú tí ìwífún náà sì kún fún ìgbì: àwọn ìyàtọ̀ kékeré, àwọn ọ̀nà púpọ̀, àti àwọn ìlọ́po méjì tí a sábà máa ń kà sí ìdènà lè jẹ́ orísun ìwífún ní tòótọ́.
-
7. Ìparí
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 awọn oluşewadi.
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.
