全波形反演（FWI）算法简介
1. 彭达胡乱
Dalam dunia geofisika modern, kebutuhan untuk “melihat” struktur bawah permukaan bumi semakin meningkat. Industri energi, 灾害缓解, 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, 资源 komputasi yang besar, serta strategi optimasi yang hati-hati agar tidak terjebak pada solusi yang keliru.
Artikel ini memperkenalkan 基本概念 FWI, komponen utama algoritmanya, serta tantangan dan strategi umum dalam penerapannya.
-
2. 什么是全波形反演？
Secara sederhana, FWI adalah proses mencari model bawah permukaan yang membuat 地震数据 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.
全波形反演与其他反演方法的主要区别在于：
– 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 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：
– Data observasi : rekaman seismik lapangan (shot gather) dari berbagai sumber dan receiver.
– Data sintetik : hasil simulasi numerik rambatan gelombang pada model sementara.
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 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.
初始模型通常来源于：
– inversi traveltime (tomografi),
– 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。
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 .
直观的画面：
1. Forward modeling : hitung medan gelombang maju dari sumber dalam model saat ini.
2. 计算数据残差 \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
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.
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：
– Steepest Descent (paling sederhana),
– Conjugate Gradient ,
– L-BFGS (umum dipakai karena efisien untuk masalah besar),
——或者牛顿/准牛顿法。
基本更新：
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
di mana \( \alpha_k \) adalah step length , dan \( H_k^{-1} \) aproksimasi invers Hessian (misalnya pada L-BFGS).
-
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. Terapkan preconditioning (misalnya kompensasi iluminasi atau smoothing).
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。
Biasanya FWI dijalankan multiskala , dimulai dari frekuensi rendah (mengoreksi komponen model skala besar) lalu naik ke frekuensi lebih tinggi (menambah detail).
-
5. 全站建模的主要挑战
5.1 Cycle Skipping
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，
– menerapkan time windowing dan strategi data selection .
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），
– serta strategi pemilihan subset sumber ( source encoding atau mini-batch ala machine learning).
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
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. FWI申请
全波形反演（FWI）广泛用于：
– eksplorasi minyak dan gas: meningkatkan resolusi model kecepatan, membantu migration dan interpretasi struktur,
– 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
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 资源.
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.
