Pemodelan Full Waveform Inversion (FWI) tergantung dengan banyak faktor, diantaranya
model awal, wavelet sumber dan frekuensi rendah dari data seismik. Model awal dan
frekuensi rendah yang terbatas dapat mempengaruhi hasil dari model FWI karena
terjadinya efek cycle skipping. Ekstrapolasi frekuensi rendah menjadi salah satu faktor
krusial yang harus dipenuhi sebelum melakukan pemodelan FWI, karena kehilangan
frekuensi rendah data seismik dapat menghilangkan informasi tren rata-rata dari struktur
geologi yang akan dimodelkan. Pada penelitian ini, kami menggunakan algoritma
Convolutional Neural Network (CNN) untuk melakukan prediksi frekuensi rendah dari
data seismik common shot gather (CSG) bandlimited didalam domain waktu tanpa perlu
melakukan pengolahan kembali(prepocessing) data sehingga prosesnya dapat dilakukan
secara otomatis. Data seismik bandlimited frekuensi tinggi merupakan data masukan untuk
pelatihan model CNN dan data seismik frekuensi rendah yang akan diprediksi sebagai
luaran. Model CNN yang telah dilatih kemudian diujicoba pada berbagai model data
sintetis, hasil prediksi yang diperoleh sangat akurat dengan rata-rata RMSE dibawah 1
persen. Model CNN juga diaplikasikan pada data real seismik laut lapangan Sadewa, hasil
prediksi frekuensi rendah yang dilakukan cukup akurat dengan RMSE dibawah 2-3 persen.
Penelitian ini juga melakukan pemodelan FWI pada data sintetis Marmoussi dimana bagian
frekuensi rendah data tersebut diprediksi oleh CNN, hasil model FWI yang diperoleh cukup
dekat dengan model sebenarnya. Berdasarkan hasil ujicoba model CNN yang telah
dilakukan memberi harapan bahwa deep learning menawarkan solusi yang baik untuk
masalah inisialisasi FWI.