全波形反演（FWI）算法简介
1. 彭达胡乱
在现代地球物理学中，对地球地下结构的“观测”需求日益增长。能源产业、灾害防治、地热勘探乃至构造研究都需要详细的地下模型：地震波速度如何随深度变化、岩层边界位于何处，以及微小的非均质性如何影响波的传播。实现这一目标最有效的方法之一是全波形反演（FWI），这是一种利用地震波形完整信息来估算地下物理参数的反演算法。
全波形反演（FWI）常被称为地震反演的“黄金标准”，因为它能够生成高分辨率的地下图像，超越了仅使用走时或简单振幅的传统方法。然而，这种强大的能力也需要付出代价：FWI 需要精确的波形模型、大量的计算资源以及精心设计的优化策略，以避免陷入错误的解。
本文介绍了全波形反演的基本概念、算法的主要组成部分，以及在实现过程中面临的一般挑战和策略。
-
2. 什么是全波形反演？
简而言之，全波形反演（FWI）是寻找一个能够使模拟地震数据与观测地震数据最佳匹配的地下模型的过程。“最佳拟合”由一个目标函数（误差）定义，例如在每个时间点和每个接收器处观测数据与合成数据之间的平方差。
全波形反演与其他反演方法的主要区别在于：
– FWI 使用整个波形（相位、振幅、干扰、多次反射、衍射），而不仅仅是到达时间拾取。
– 全波形反演 (FWI) 依靠求解波动方程（声学、弹性或非弹性）来模拟合成数据。
– FWI 是一个大规模的非线性优化问题，因为模型参数（例如 P 波或 S 波速度）在 2D/3D 网格上可能包含数百万个单元格。
-
3. 全波形反演的主要组成部分
3.1 观测数据和合成数据
FWI 要求：
– 观测数据：来自各种震源和接收器的现场地震记录（炮集记录）。
– 合成数据：临时模型上波传播数值模拟的结果。
合成数据是通过求解波动方程（例如声波方程）计算得到的：
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
其中 \( v(\mathbf{x}) \) 是波速，\( p \) 是标量压力/波，\( s \) 是源。
3.2 初始模型
全波形反演（FWI）对初始模型非常敏感。如果初始模型与实际情况偏差过大，算法可能会出现跳周期现象，即合成数据与观测数据之间的相位差超过半个周期，导致梯度将解推向错误的方向。
初始模型通常来源于：
– 旅行时间反演（层析成像），
– 基于地质分析的宏观速度模型，
——或者采用多尺度方法（从低频开始）。
3.3 目标函数（拟合误差）
常用目标函数：
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
其中 \( m \) 为模型参数（例如速度），\( s \) 为源索引，\( r \) 为接收器索引。
除了经典的 L2 不匹配之外，还有其他一些不匹配方法可以减少周期跳跃，例如：
– 基于信封的不匹配，
– 仅相位不匹配，
– 最佳运输（Wasserstein），
– 或匹配过滤器。
3.4 梯度计算：伴随状态法
全波形反演的关键特性之一在于如何高效地计算梯度。由于模型参数数量庞大，直接数值推导是不可能的。解决方法是采用伴随状态法。
直观的画面：
1. 正演模拟：计算当前模型中源的正演波场。
2. 计算数据残差 \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
3.伴随建模：将残差作为接收器位置的“返回源”注入，并使其在时间上向后传播。
4. 正向波场和伴随波场之间的相关性对模型参数产生梯度。
采用这种技术，梯度计算的成本大致相当于每个源的波建模成本的两倍（正向 + 伴随），因此虽然仍然很大，但在 HPC/GPU 上是可行的。
3.5 模型更新方案（优化）
一旦获得梯度 \( \nabla J \)，即可使用优化方法更新模型，例如：
– 最陡峭的下坡路（最简单），
共轭梯度
– L-BFGS（由于其对大型问题的效率高，因此常被使用），
——或者牛顿/准牛顿法。
基本更新：
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
其中 \( \alpha_k \) 是步长，\( H_k^{-1} \) 是逆 Hessian 近似（例如在 L-BFGS 中）。
-
4. 全波形反演算法工作流程（简明版）
一般来说，FWI 是迭代运行的：
1. 选择初始模型 \( m_0 \)。
2. 对于每个来源：
– 进行正向建模 → 合成数据，
– 计算残差与观测数据之间的关系，
– 进行伴随建模，
梯度累积。
3. 应用预处理（例如光照补偿或平滑处理）。
4. 使用优化方法更新模型。
5. 重复此过程，直到收敛或达到迭代次数限制。
通常情况下，FWI 是多尺度运行的，从低频开始（校正大尺度模型组件），然后逐步提高频率（添加细节）。
-
5. 全站建模的主要挑战
5.1 周期跳跃
这是最常见的问题。当合成数据和观测数据“不同步”时，L2拟合误差会导致优化陷入错误的局部最小值。一般解决方案：
从极低频率开始，
– 改进初始模型（断层扫描），
——使用其他不合适的人，
– 应用时间窗口和数据选择策略。
5.2 计算成本
使用多个信号源的三维全波形反演可能需要成千上万次波形仿真。这需要：
– 并行计算（集群、GPU），
– 节省内存（通过检查点保存波场），
– 以及源子集选择策略（源编码或机器学习的小批量）。
5.3 物理和噪声失配
现场数据包含噪声、仪器效应、各向异性、衰减（Q值）、复杂地形和震源不确定性。如果正演模型过于简单（例如，介质为弹性时仅采用声波模型），则反演结果可能存在偏差。
5.4 模型参数化
选择要反演的参数（例如，v_p、密度、v_s、各向异性、Q）会影响灵敏度和稳定性。参数过多会导致权衡取舍，并降低收敛性。
-
6. FWI申请
全波形反演（FWI）广泛用于：
– 石油和天然气勘探：提高速度模型分辨率，辅助构造迁移和解释，
– 地热：绘制断裂带和岩性变化图，
– 全球/区域地震学：地幔和地壳成像，
– 岩土工程和近地表工程：地基、隧道和减灾措施的浅层测绘。
当介质复杂且数据富含波信息时，FWI 的优势就显而易见了：通常被认为是干扰的小衍射、多径和多次反射，实际上可能是信息来源。
-
7. Penutup
全波形反演（FWI）是一种地震反演算法，它利用波形中包含的丰富信息构建高分辨率的地下模型。其成功的关键在于精确的波动方程建模、使用伴随状态法进行高效的梯度计算，以及避免陷入局部最小值的优化策略，例如周期跳跃。尽管FWI计算量大且工作流程设计复杂，但它已被证明是地球成像和资源勘探领域一种强大的方法。
如果您愿意，我可以继续撰写更多技术性的后续文章——例如，更正式地讨论伴随梯度推导、FWI 伪代码示例，或者针对真实数据的带通和基于窗口的多尺度策略。
