全波形反演（FWI）演算法簡介
1. Pendahuluan
在現代地球物理學中，對地球地下結構的「觀測」需求日益增長。能源產業、災害防治、地熱勘探乃至構造研究都需要詳細的地下模型：地震波速度如何隨深度變化、岩層邊界位於何處，以及微小的非均質性如何影響波的傳播。實現這一目標最有效的方法之一是全波形反演（FWI），這是一種利用地震波形完整資訊來估算地下物理參數的反演演算法。
全波形反演（FWI）常被稱為地震反演的“黃金標準”，因為它能夠產生高分辨率的地下圖像，超越了僅使用走時或簡單振幅的傳統方法。然而，這種強大的能力也需要付出代價：FWI 需要精確的波形模型、大量的運算資源以及精心設計的最佳化策略，以避免陷入錯誤的解。
本文介紹了全波形反演的基本概念、演算法的主要組成部分，以及在實作過程中面臨的一般挑戰和策略。
2. 什麼是全波形反演？
簡而言之，全波形反演（FWI）是尋找一個能夠使模擬地震資料與觀測地震資料最佳匹配的地下模型的過程。 「最佳擬合」由一個目標函數（誤差）定義，例如在每個時間點和每個接收器處觀測資料與合成資料之間的平方差。
全波形反演與其他反演方法的主要差異在於：
– FWI 使用整個波形（相位、振幅、幹擾、多次反射、繞射），而不僅僅是到達時間拾取。
– 全波形反演 (FWI) 依靠求解波動方程式（聲學、彈性或非彈性）來模擬合成資料。
– FWI 是一個大規模的非線性最佳化問題，因為模型參數（例如 P 波或 S 波速度）在 2D/3D 網格上可能包含數百萬個單元格。
3. 全站儀的主要組成部分
3.1 觀測數據和合成數據
FWI 需求：
– 觀測資料：來自各種震源和接收器的現場地震記錄（砲集記錄）。
– 合成資料：臨時模型上波傳播數值模擬的結果。
合成資料是透過求解波動方程式（例如聲波方程式）計算得到的：
\[
\frac{1}{v^2(\mathbf{x})}\frac{\partial^2 p}{\partial t^2} – \nabla^2 p = s(\mathbf{x},t)
\]
其中 \( v(\mathbf{x}) \) 為波速，\( p \) 為標量壓力/波，\( s \) 為源。
3.2 初始模型
全波形反演（FWI）對初始模型非常敏感。如果初始模型與實際情況偏差過大，演算法可能會出現跳週期現象，即合成資料與觀測資料之間的相位差超過半個週期，導致梯度將解推向錯誤的方向。
初始模型通常來自：
– 旅行時間反演（層析成像），
– 基於地質分析的宏觀速度模型，
或採用多尺度方法（從低頻開始）。
3.3 目標函數（擬合誤差）
常用目標函數：
\[
J(m)=\frac{1}{2}\sum_{s}\sum_{r}\int (d_{\text{syn}}(t; m)-d_{\text{obs}}(t))^2 \, dt
\]
其中 \( m \) 為模型參數（例如速度），\( s \) 為來源索引，\( r \) 為接收器索引。
除了經典的 L2 不匹配之外，還有其他一些不匹配方法可以減少週期跳躍，例如：
– 基於信封的不匹配，
– 僅相位不匹配，
– 最佳運輸（Wasserstein），
– 或匹配過濾器。
3.4 梯度計算：伴隨狀態法
全波形反演的關鍵特性之一在於如何有效率地計算梯度。由於模型參數數量龐大，直接數值推導是不可能的。解決方法是採用伴隨狀態法。
直觀的畫面：
1. 正演模擬：計算目前模型中源的正演波場。
2. 計算資料殘差 \( \Delta d = d_{\text{syn}} – d_{\text{obs}} \).
3.伴隨建模：將殘差作為接收器位置的「返回來源」注入，並使其在時間上向後傳播。
4. 正向波場和伴隨波場之間的相關性對模型參數產生梯度。
採用這種技術，梯度計算的成本大致相當於每個源的波建模成本的兩倍（正向 + 伴隨），因此雖然仍然很大，但在 HPC/GPU 上是可行的。
3.5 模型更新方案（最佳化）
一旦獲得梯度 \( \nabla J \)，即可使用最佳化方法更新模型，例如：
– 最陡峭的下坡路（最簡單），
共軛梯度
– L-BFGS（由於其對大型問題的效率高，因此常被使用），
——或者牛頓/準牛頓法。
基本更新：
\[
m_{k+1} = m_k – \alpha_k \, H_k^{-1}\nabla J(m_k)
\]
其中 \( \alpha_k \) 是步長，\( H_k^{-1} \) 是逆 Hessian 近似（例如在 L-BFGS 中）。
4. 全波形反演演算法工作流程（簡明版）
一般來說，FWI 是迭代運行的：
1. 選擇初始模型 \( m_0 \)。
2. 對於每個來源：
– 進行正向建模 → 合成數據，
– 計算殘差與觀測資料之間的關係，
– 進行伴隨建模，
梯度累積。
3. 應用預處理（例如光照補償或平滑處理）。
4. 使用最佳化方法更新模型。
5. 重複此過程，直到收斂或達到迭代次數限制。
通常，FWI 是多尺度運行的，從低頻開始（校正大尺度模型組件），然後逐步提高頻率（添加細節）。
5. 全站建模的主要挑戰
5.1 週期跳躍
這是最常見的問題。當合成數據和觀測數據「不同步」時，L2擬合誤差會導致最佳化陷入錯誤的局部最小值。一般解決方案：
從極低頻率開始，
– 改進初始模型（斷層掃描），
——使用其他不合適的人，
– 應用時間視窗和資料選擇策略。
5.2 計算成本
使用多個訊號源的三維全波形反演可能需要成千上萬次波形模擬。這需要：
– 平行運算（叢集、GPU），
– 節省記憶體（透過檢查點儲存波場），
– 以及來源子集選擇策略（來源編碼或機器學習的小批量）。
5.3 物理和雜訊失配
現場資料包含雜訊、儀器效應、各向異性、衰減（Q值）、複雜地形和震源不確定性。如果正演模型過於簡單（例如，介質為彈性時僅採用聲波模型），則反演結果可能會偏差。
5.4 模型參數化
選擇要反演的參數（例如，v_p、密度、v_s、各向異性、Q）會影響靈敏度和穩定性。參數過多會導致權衡取捨，並降低收斂性。
6. FWI申請
全波形反演（FWI）廣泛用於：
– 石油和天然氣勘探：提高速度模型的分辨率，輔助構造遷移和解釋，
– 地熱：繪製斷層帶和岩性變化圖，
– 全球/區域地震學：地函和地殼成像，
– 土壤工程和近地表工程：地基、隧道和減災措施的淺層測繪。
當介質複雜且數據富含波資訊時，FWI 的優勢就顯而易見了：通常被認為是乾擾的小衍射、多路徑和多次反射，實際上可能是資訊來源。
7. 結論
全波形反演（FWI）是一種地震反演演算法，它利用波形中豐富的資訊來建構高解析度的地下模型。其成功的關鍵在於精確的波動方程式建模、使用伴隨狀態法進行高效的梯度計算，以及避免陷入局部最小值的最佳化策略，例如週期跳躍。儘管FWI計算量大且工作流程設計複雜，但它已被證明是地球成像和資源勘探領域非常強大的方法。
如果您願意，我可以繼續撰寫更多技術性的後續文章——例如，更正式地討論伴隨梯度推導、FWI 偽代碼示例，或者針對真實數據的帶通和基於窗口的多尺度策略。
