Bayesian Time-Lapse Full Waveform Inversion using Hamiltonian Monte Carlo

Deze paper introduceert een Bayesiaanse sequentiële aanpak voor tijdloze Full Waveform Inversie met behulp van Hamiltonian Monte Carlo, waarbij de baseline-survey als prior wordt gebruikt om betrouwbare onzekerheidskwalificatie te bieden in hoge-dimensionale problemen met vergelijkbare nauwkeurigheid als parallelle methoden.

De kern

🌍 De Aarde als een "Ziekenhuis" en de Aardbodem als een "Fotoalbum"

Stel je voor dat we de aarde onder onze voeten willen onderzoeken, alsof we een arts zijn die een patiënt wil diagnosticeren. We kunnen niet gewoon een CT-scan maken van de aarde. In plaats daarvan sturen we geluidsgolven de grond in (zoals een echo) en luisteren we naar het weerkaatste geluid. Dit heet seismiek.

De wetenschappers in dit artikel proberen een heel specifiek probleem op te lossen: Hoe zien we kleine veranderingen in de aarde, zoals gas dat verdwijnt of water dat stroomt, en hoe zeker zijn we van die resultaten?

1. Het Probleem: De "Vage Foto" en de "Ruis"

Stel je voor dat je twee foto's maakt van een kamer: één vandaag (de basisfoto) en één over een jaar (de monitorfoto).

• Het doel: Je wilt zien of er een stoel is verplaatst (een verandering in de aarde).
• Het probleem: De camera is niet perfect. De foto's zijn wazig, er is ruis (zoals statische op een oude tv), en soms staat de camera op een iets andere plek. Als je de twee foto's van elkaar aftrekt om de verandering te zien, zie je vaak meer ruis dan de daadwerkelijke stoel.

In de geofysica noemen ze dit Full Waveform Inversion (FWI). Het is een manier om van die geluidsgolven een 3D-kaart van de ondergrond te maken. Maar omdat de veranderingen in de aarde vaak heel klein zijn (zoals een druppel water in een emmer), is het heel moeilijk om zeker te weten of je een echte verandering ziet of alleen maar ruis.

2. De Oplossing: De "Gokker" vs. De "Statistiek"

Vroeger deden wetenschappers dit op één manier: ze maakten één "beste" schatting. Dat is als een gokker die zegt: "Ik denk dat de stoel hier staat." Maar wat als hij het mis heeft? Je weet niet hoe groot de kans is dat hij fout zit.

De auteurs van dit artikel gebruiken een Bayesiaanse aanpak.

• De analogie: In plaats van één gok te doen, laten ze een computer duizenden mogelijke scenario's doorrekenen.
• Ze zeggen: "Op basis van wat we al weten, is er een 80% kans dat de stoel hier staat, een 15% kans dat hij daar staat, en een 5% kans dat hij in de tuin staat."
• Het resultaat is geen enkele foto, maar een wolk van waarschijnlijkheid. Dit geeft ons een "zekerheidsniveau": "We zijn 95% zeker dat het gas hier is verdwenen."

3. De Uitdaging: De "Grote Berg"

Het probleem met deze duizenden scenario's is dat het rekenwerk enorm is. De aarde heeft zoveel details (hoogte, diepte, materiaal) dat het aantal mogelijke combinaties een berg is die te groot is om te beklimmen.

• De oude methode (MCMC): Dit is alsof je blindelings in de donkere berg rondloopt, stuitert tegen rotsen en hopelijk op de top komt. Het duurt eeuwen.
• De nieuwe methode (Hamiltonian Monte Carlo - HMC): Dit is alsof je een skiër bent die de berg afdaalt. De skiër gebruikt de vorm van de berg (de wiskundige structuur) om snel en efficiënt naar beneden te glijden, zonder overal tegen te stoten. Hierdoor kunnen ze veel sneller de beste antwoorden vinden, zelfs bij complexe bergtoppen.

4. De Twee Strategieën: "Twee Losse Foto's" vs. "Een Geheugenboek"

De auteurs vergelijken twee manieren om de veranderingen te meten:

A. De Parallelle Methode (Twee losse foto's)
Je maakt een nieuwe foto van de basis en een nieuwe foto van de monitor, en vergelijkt ze daarna.

• Voordeel: Je gebruikt geen aannames over de eerste foto.
• Nadeel: Omdat beide foto's ruis hebben, is het verschil tussen hen vaak erg rommelig. Het is alsof je twee wazige foto's van elkaar aftrekt; je ziet dan vaak vage vlekken die er niet zijn.

B. De Sequentiële Methode (Het Geheugenboek)
Hier gebruiken ze de kennis van de eerste foto (de basis) om de tweede foto (de monitor) te helpen.

• De analogie: Stel je voor dat je de eerste foto van de kamer hebt gemaakt en je weet precies waar de meubels stonden. Nu maak je een nieuwe foto. Omdat je weet hoe de kamer eruitzag, kun je de nieuwe foto veel scherper maken. Je gebruikt je herinnering (de basisinformatie) als een leidraad.
• In dit artikel gebruiken ze de "wolk van waarschijnlijkheid" van de eerste meting als startpunt voor de tweede meting.

5. Wat Vonden Ze?

De resultaten waren verrassend goed:

1. Nauwkeurigheid: De sequentiële methode (met het geheugenboek) gaf een veel scherpere afbeelding van de veranderingen dan de parallelle methode. De "vage vlekken" (kunstmatige ruis) verdwenen grotendeels.
2. Zekerheid: Beide methoden gaven een vergelijkbare mate van zekerheid (onzekerheid), maar de sequentiële methode zag de echte veranderingen (zoals het gasreservoir) veel duidelijker.
3. Robuustheid: Zelfs als de camera (de bron van de geluidsgolven) op een iets andere plek stond bij de tweede meting (wat in de echte wereld vaak gebeurt), werkte de sequentiële methode nog steeds beter.

🏁 Conclusie in Eén Zin

Door slimme wiskunde (HMC) te gebruiken en de kennis van een eerdere meting als "geheugen" te gebruiken voor de volgende meting, kunnen we de aarde veel scherper in kaart brengen en met meer vertrouwen zeggen: "Ja, hier is echt iets veranderd, en dit is hoe zeker we zijn."

Dit helpt bijvoorbeeld bij het veilig winnen van olie of het veilig opslaan van CO2, omdat we precies weten wat er onder de grond gebeurt zonder dat we gissen.

Technische samenvatting

Probleemstelling

Tijdreeks-seismiek (time-lapse seismic) is essentieel voor het monitoren van dynamische veranderingen in de ondergrond, zoals olieproductie of CO2-opslag. Deze veranderingen worden vaak geanalyseerd via Full Waveform Inversion (FWI). Echter, de veranderingen tussen een basismeting (baseline) en een monitormeting zijn vaak zeer klein en lokaal gelokaliseerd.

De uitdagingen zijn tweeledig:

1. Deterministische onzekerheid: Traditionele deterministische FWI-methoden leveren één oplossing op, maar kunnen de onzekerheid van deze oplossing niet kwantificeren. Gezien de slecht gestelde aard (ill-posedness) van het inversieproblem en ruis in de data, is het cruciaal om betrouwbaarheidsniveaus te kennen.
2. Computatiekosten en dimensie: Bayesianische methoden kunnen onzekerheid kwantificeren door de posterior-verdeling van modellen te schatten, maar standaard Markov Chain Monte Carlo (MCMC) methoden zijn inefficiënt in hoge-dimensionale ruimtes (de "curse of dimensionality").
3. Herhaalbaarheid: In de praktijk zijn de opnamegeometrieën van baseline en monitor vaak niet identiek (non-repeatable), wat de interpretatie van tijdsverschillen bemoeilijkt.

Methodologie

De auteurs stellen een probabilistische Bayesiaanse sequentiële aanpak voor, waarbij Hamiltonian Monte Carlo (HMC) wordt gebruikt als sampling-methode.

• Bayesiaanse Formulering: In plaats van een enkel model te zoeken, wordt de oplossing beschouwd als een kansdichtheidsfunctie (posterior). De likelihood-functie wordt gebaseerd op een Gaussische verdeling van de residuen tussen waargenomen en gesimuleerde data.
• Hamiltonian Monte Carlo (HMC): Om de hoge dimensie van het FWI-probleem te overwinnen, gebruiken ze HMC. Deze methode gebruikt de geometrie van de doelverdeling (via Hamiltoniaanse dynamica) om efficiënter door de modelruimte te navigeren dan standaard MCMC, wat leidt tot minder "random walk"-gedrag.
  • Massa-matrix tuning: Om de convergentie te versnellen, wordt een aangepaste massa-matrix gebruikt die afhankelijk is van de diepte (gebaseerd op de waterdiepte en maximale diepte), in plaats van een identiteitsmatrix.
• Sequentiële Strategie vs. Parallelle Strategie:
  • Parallel: Baseline en monitor worden onafhankelijk ingeschat met dezelfde prior.
  • Sequentieel (de voorgestelde methode): De posterior-verdeling van de baseline ($\rho_B$) wordt gebruikt als prior-informatie voor de monitor-inversie ($\rho_M$). Concreet wordt de posterior van de baseline benaderd als een Gaussische verdeling (gebaseerd op het gemiddelde en de covariantie) en gebruikt als prior voor de monitor. Dit integreert de kennis uit de eerste meting in de tweede.
• Onzekerheidspropagatie: De onzekerheid in de tijdsverschillen ($\sigma_{TL}$) wordt berekend via foutpropagatie, waarbij de correlatie tussen baseline- en monitormodellen een cruciale rol speelt.

Experimentele Opzet

• Model: Het Marmousi-model, een standaardtestgeval voor tijdreeks-inversie.
• Scenario: Een tijdsverschil van ongeveer 0,1 km/s (5%) in twee gasreservoirs (vervanging door water).
• Data: Synthetische seismische data gegenereerd met 10 bronnen en 200 ontvangers. Ruis (Gaussisch, 0.1 standaardafwijking) is toegevoegd.
• Vergelijking: De methode wordt getest in twee scenario's:
  1. Perfecte herhaalbaarheid (identieke bronlocaties).
  2. Niet-herhaalbaarheid (bronlocaties in de monitor zijn 100m horizontaal verschoven).
• Referentie: De resultaten worden vergeleken met deterministische methoden (L-BFGS) en een parallelle Bayesiaanse aanpak.

Belangrijkste Resultaten

1. Prestatie bij Perfecte Geometrie:

   • De sequentiële aanpak levert een scherpere afbeelding van de reservoirs op dan de parallelle aanpak. De parallelle aanpak vertoont meer "artefacten" (kleine schaalstructuren die niet overeenkomen met de werkelijkheid) door onvolledige compensatie van ruis tussen de onafhankelijke inversies.
   • Hoewel de parallelle methode een sterkere correlatie tussen baseline en monitor toont (wat de onzekerheid verlaagt), is de sequentiële methode beter in het onderscheiden van de werkelijke tijdsverschillen.
   • De grootte van de onzekerheid (standaardafwijking) is vergelijkbaar voor beide methoden.

2. Prestatie bij Niet-Herhaalbare Geometrie:

   • Bij verschuivingen in de bronlocaties presteert de sequentiële methode aanzienlijk beter. De parallelle methode vertoont ernstige artefacten en negatieve anomalieën in de diepere lagen.
   • De sequentiële methode is robuuster tegen niet-herhaalbaarheid, omdat de prior-informatie uit de baseline de oplossing "vasthoudt" en de invloed van de geometrische verschillen beperkt.

3. Correlatie:

   • De correlatie tussen baseline en monitormodellen is minder sterk in de sequentiële methode dan in de parallelle methode, maar dit leidt niet tot hogere onzekerheid in het uiteindelijke tijdsverschil, omdat de sequentiële methode de modelruimte effectiever beperkt.

Bijdragen en Significantie

• Innovatie: Het artikel introduceert een nieuwe Bayesiaanse sequentiële workflow voor FWI waarbij de posterior van de baseline expliciet wordt gebruikt als prior voor de monitor. Dit is een verbetering ten opzichte van eerdere werken die slechts de laatste steekproeven als startpunt gebruikten zonder een nieuwe prior te ontwerpen.
• Onzekerheidskwalificatie: Het biedt een robuust kader om onzekerheid te kwantificeren in tijdreeks-inversie, wat essentieel is voor het onderscheiden van echte geologische veranderingen van inversie-artefacten.
• Praktische Toepasbaarheid: De methode is bijzonder waardevol voor real-world scenario's waar herhaalbaarheid van de opnamegeometrie niet gegarandeerd is (bijv. offshore olie- en gasproductie).
• Efficiëntie: Door HMC te combineren met een slimme massa-matrix tuning, maken de auteurs hoge-dimensionale Bayesiaanse inversie haalbaar met redelijke rekentijd.

Conclusie:
De voorgestelde sequentiële Bayesiaanse aanpak met HMC levert nauwkeurigere tijdsverschil-schattingen op dan de traditionele parallelle methoden, met name bij niet-herhaalbare opnamegeometrieën, terwijl de onzekerheidsniveaus vergelijkbaar blijven. Dit maakt de methode superieur voor het beheer van reservoirs en het monitoren van ondergrondse veranderingen.