Questo report riferisce le attività svolte nel secondo semestre 2013 nell'ambito di un progetto il cui obiettivo è l'implementazione e il testing di un metodo globale per determinare un buon modello iniziale per la FWI. Nei report precedenti il metodo globale implementato è stato il metodo Neighborhood Sampling Algorithm (NA, Sambridge 1999). In questo secondo report abbiamo scelto di concentrarci su un altro metodo globale: gli Algoritmi Genetici (GA). Per scegliere quale metodo utilizzare abbiamo svolto un confronto tra tre metodi globali: Adaptive Simulated Annealing (ASA, Ingberg 1989), Algoritmi Genetici (geatbx di Pohlheim) e Neighborhood Algorithm. I test sono stati svolti su due funzionali analitici, uno convesso e uno con molti minimi, al variare delle dimensioni dello spazio dei parametri n. Essi hanno mostrato che GA è il metodo più performante per grandi n. Abbiamo svolto quindi un test sismico elastico 1D con 21 incognite, che ha restituito risultati buoni e analoghi tra GA e SA, e invece peggiori per NA. Mostriamo anche un test acustico sintetico con propagazione 3D svolto su una porzione del Marmousi (2D) con 64 incognite, dove confrontiamo i soli metodi NA e GA. Anche questi risultati hanno mostrato una migliore performance dei GA. Presentiamo quindi un esempio di inversione svolto su una porzione superficiale e centrale del Marmousi con il metodo Algoritmo Genetico. Per questa inversione consideriamo una propagazione 2D e non 3D per ridurre i tempi di calcolo dei test. Per semplicità, utilizziamo dei range già centrati attorno a un valore ottimale. Come già fatto per test precedenti, come criterio di terminazione scegliamo il raggiungimento di un numero massimo di modelli valutati. Nel seguito, chiamiamo modello vero la porzione del Marmousi considerata e modello lisciato lo Starting Model dell'inversione IC FWI che consiste nel modello vero dopo un passo di smoothing. L'evoluzione del data misfit mostra un trend di discesa più accentuato per le prime 30 generazioni, su un totale di 70 generazioni svolte e 34000 modelli valutati. Il modello finale ha un misfit L1 medio rispetto al modello lisciato di 65 m/s, esso è dovuto in buona parte ad una migliore aderenza del modello finale con il modello vero. Ciò è confermato dallo studio del dato sismico. Un confronto tra i tre shot: dato osservato, dato predetto e dato generato dal modello lisciato mostra che il dato predetto ricostruisce meglio i primi arrivi del dato osservato rispetto al dato generato dal modello lisciato. Quindi proviamo il modello finale come modello iniziale per la inversione fullwaveform locale con il codice (ICFWI). Per valutare l'inversione usiamo come riferimento il modello lisciato che è usato come modello iniziale IC. Il flow di inversione con il modello lisciato risulta essere lievemente migliore soprattutto per alcuni parametri laterali, ma in generale i due risultati finali sono confrontabili. Il codice dell'algoritmo genetico che abbiamo usato è scritto in Matlab e, nella sua versione originale, è stato sviluppato in forma seriale. Per ridurre i tempi di calcolo, abbiamo scritto una versione parallela del codice che utilizza dei wrappers delle funzioni fortran parallele. L'implementazione parallela attualmente funziona in modo corretto su un singolo nodo di calcolo, mentre è instabile su più nodi di calcolo. L'estensione dell'algoritmo a più nodi di calcolo è importante in particolare per l'applicazione dell'algoritmo al caso 2.5D. Una nuova implementazione che permette l'uso di più nodi di calcolo è stata appena implementata e sarà testata nei prossimi mesi. Abbiamo inoltre verificato l'importanza della collocazione dei range di ammissibilità delle soluzioni rispetto al modello vero ai fini della convergenza dell'algoritmo genetico. Questi ultimi test sono stati sviluppati per l'inversione dei first break riferiti al modello Marmousi. Infine abbiamo analizzato un dato reale con lo scopo di verificare la fattibilità di una inversione Full Waveform. Le osservazioni fatte hanno evidenziato delle problematiche che riguardano (1) le geometrie del dato, (2) un muting presente sui primi arrivi, (3) un possibile filtraggio passa banda che toglie in particolare le basse frequenze, e (4) la rimozione delle multiple.
Full Waveform Inversion: studi e sperimentazioni - report 2013
MAZZOTTI, ALFREDO;SAJEVA, ANGELO;ALEARDI, MATTIA;Stucchi E.
2013-01-01
Abstract
Questo report riferisce le attività svolte nel secondo semestre 2013 nell'ambito di un progetto il cui obiettivo è l'implementazione e il testing di un metodo globale per determinare un buon modello iniziale per la FWI. Nei report precedenti il metodo globale implementato è stato il metodo Neighborhood Sampling Algorithm (NA, Sambridge 1999). In questo secondo report abbiamo scelto di concentrarci su un altro metodo globale: gli Algoritmi Genetici (GA). Per scegliere quale metodo utilizzare abbiamo svolto un confronto tra tre metodi globali: Adaptive Simulated Annealing (ASA, Ingberg 1989), Algoritmi Genetici (geatbx di Pohlheim) e Neighborhood Algorithm. I test sono stati svolti su due funzionali analitici, uno convesso e uno con molti minimi, al variare delle dimensioni dello spazio dei parametri n. Essi hanno mostrato che GA è il metodo più performante per grandi n. Abbiamo svolto quindi un test sismico elastico 1D con 21 incognite, che ha restituito risultati buoni e analoghi tra GA e SA, e invece peggiori per NA. Mostriamo anche un test acustico sintetico con propagazione 3D svolto su una porzione del Marmousi (2D) con 64 incognite, dove confrontiamo i soli metodi NA e GA. Anche questi risultati hanno mostrato una migliore performance dei GA. Presentiamo quindi un esempio di inversione svolto su una porzione superficiale e centrale del Marmousi con il metodo Algoritmo Genetico. Per questa inversione consideriamo una propagazione 2D e non 3D per ridurre i tempi di calcolo dei test. Per semplicità, utilizziamo dei range già centrati attorno a un valore ottimale. Come già fatto per test precedenti, come criterio di terminazione scegliamo il raggiungimento di un numero massimo di modelli valutati. Nel seguito, chiamiamo modello vero la porzione del Marmousi considerata e modello lisciato lo Starting Model dell'inversione IC FWI che consiste nel modello vero dopo un passo di smoothing. L'evoluzione del data misfit mostra un trend di discesa più accentuato per le prime 30 generazioni, su un totale di 70 generazioni svolte e 34000 modelli valutati. Il modello finale ha un misfit L1 medio rispetto al modello lisciato di 65 m/s, esso è dovuto in buona parte ad una migliore aderenza del modello finale con il modello vero. Ciò è confermato dallo studio del dato sismico. Un confronto tra i tre shot: dato osservato, dato predetto e dato generato dal modello lisciato mostra che il dato predetto ricostruisce meglio i primi arrivi del dato osservato rispetto al dato generato dal modello lisciato. Quindi proviamo il modello finale come modello iniziale per la inversione fullwaveform locale con il codice (ICFWI). Per valutare l'inversione usiamo come riferimento il modello lisciato che è usato come modello iniziale IC. Il flow di inversione con il modello lisciato risulta essere lievemente migliore soprattutto per alcuni parametri laterali, ma in generale i due risultati finali sono confrontabili. Il codice dell'algoritmo genetico che abbiamo usato è scritto in Matlab e, nella sua versione originale, è stato sviluppato in forma seriale. Per ridurre i tempi di calcolo, abbiamo scritto una versione parallela del codice che utilizza dei wrappers delle funzioni fortran parallele. L'implementazione parallela attualmente funziona in modo corretto su un singolo nodo di calcolo, mentre è instabile su più nodi di calcolo. L'estensione dell'algoritmo a più nodi di calcolo è importante in particolare per l'applicazione dell'algoritmo al caso 2.5D. Una nuova implementazione che permette l'uso di più nodi di calcolo è stata appena implementata e sarà testata nei prossimi mesi. Abbiamo inoltre verificato l'importanza della collocazione dei range di ammissibilità delle soluzioni rispetto al modello vero ai fini della convergenza dell'algoritmo genetico. Questi ultimi test sono stati sviluppati per l'inversione dei first break riferiti al modello Marmousi. Infine abbiamo analizzato un dato reale con lo scopo di verificare la fattibilità di una inversione Full Waveform. Le osservazioni fatte hanno evidenziato delle problematiche che riguardano (1) le geometrie del dato, (2) un muting presente sui primi arrivi, (3) un possibile filtraggio passa banda che toglie in particolare le basse frequenze, e (4) la rimozione delle multiple.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
