Perpustakaan Digital ITB

Full Waveform Inversion (FWI) merupakan metode inversi nonlinier yang secara luas digunakan dalam pencitraan bawah permukaan dengan memanfaatkan informasi penuh dari gelombang seismik. Teknik ini bertujuan untuk merekonstruksi model kecepatan bawah permukaan dengan mengiterasikan solusi dari persamaan gelombang, menggunakan perbedaan antara data sintetik dan observasi sebagai dasar pembaruan model. FWI sangat bergantung pada efisiensi algoritma optimisasi untuk mencapai konvergensi yang baik, dan metode Newton dikenal sebagai pendekatan yang sangat akurat karena mempertimbangkan informasi kurvatur melalui matriks Hessian. Namun, implementasi penuh metode Newton terkendala oleh tingginya biaya komputasi dalam menghitung inverse Hessian secara eksplisit, terutama pada model skala besar. Sebagai alternatif, metode Quasi-Newton seperti Limited-memory Broyden–Fletcher–Goldfarb– Shanno (L-BFGS) dan Conjugate Gradient (CG) telah banyak diadopsi karena keseimbangan antara akurasi dan efisiensi komputasi yang ditawarkan. Meskipun demikian, keterbatasan dalam memperkirakan struktur Hessian secara tepat masih menjadi hambatan utama dalam mencapai hasil inversi yang optimal dan realistik dalam konteks geofisika. Dalam konteks ini, pemanfaatan teknologi terkini seperti Deep Learning (DL) dan High Performance Computing (HPC) menjadi sangat relevan. DL memiliki potensi untuk mempelajari struktur kompleks inverse Hessian secara implisit melalui pelatihan pada data sintetik, sehingga mampu mempercepat proses inversi dan meningkatkan resolusi hasil akhir. Penelitian ini bertujuan untuk mengembangkan pendekatan hybrid yang menggabungkan FWI berbasis metode Newton dengan estimasi inverse Hessian menggunakan DL, dan membandingkan performanya dengan metode konvensional seperti L-BFGS dan CG. Evaluasi dilakukan berdasarkan konvergensi misfit, kualitas model akhir, serta efisiensi waktu komputasi. Dengan memanfaatkan jaringan saraf yang dilatih untuk meniru struktur inverse Hessian, diharapkan proses pembaruan model dapat dilakukan dengan presisi tinggi tanpa harus menghitung Hessian secara eksplisit. Hasil dari penelitian ini diharapkan dapat memberikan wawasan baru terhadap potensi integrasi kecerdasan buatan dalam metode inversi geofisika dan membuka jalan menuju sistem FWI yang lebih cepat, adaptif, dan akurat.