Linearised versus Nonlinear Estimates of Uncertainty in Full Waveform Inversion

Dit onderzoek toont aan dat niet-lineaire methoden voor Bayesiaanse full waveform inversie aanzienlijk nauwkeurigere onzekerheidsschattingen opleveren dan lineaire benaderingen, vooral bij complexe structuren zoals laaggrenzen, omdat lineaire methoden de niet-lineariteit van de golfvoortplanting negeren en daardoor vertekende resultaten geven.

De kern

Titel: Het Aardse Raadsel oplossen: Waarom "Rekenen met een Rekenmachine" soms niet genoeg is

Stel je voor dat je probeert te raden wat er zich onder de grond afspeelt, duizenden meters diep, zonder ooit een schop in de aarde te steken. Seismologen doen dit door geluidsgolven (trillingen) de grond in te sturen en te luisteren naar het echo-spel dat terugkomt. Dit heet Full Waveform Inversion (FWI). Het is alsof je probeert de vorm van een onzichtbaar object te raden door alleen naar de schaduw te kijken die het werpt.

Het probleem? De schaduw is vaak vaag, er zit ruis in (zoals achtergrondgeluid), en de manier waarop het licht (of geluid) buigt is heel complex. Er zijn vaak veel verschillende vormen die precies dezelfde schaduw kunnen werpen. Hoe weet je welke vorm de echte is? En hoe zeker kun je zijn van je antwoord?

Deze paper vergelijkt twee manieren om die onzekerheid te meten: de oude, simpele manier (lineair) en de nieuwe, slimme manier (niet-lineair).

1. De Twee Manieren van Denken

De Lineaire Manier (De "Rekenmachine"):
Stel je voor dat je een berg beklimt. De lineaire methode kijkt alleen naar de plek waar je nu staat en zegt: "Als ik een klein beetje naar links of rechts stap, hoe verandert het uitzicht dan?" Ze tekenen een rechte lijn door het landschap.

• Het nadeel: Als de berg eigenlijk een ronde koepel is of een diepe vallei, werkt die rechte lijn niet. Ze denken dat alles glad en voorspelbaar is. Ze zeggen: "Onze onzekerheid is een perfecte cirkel rondom ons puntje." Maar in werkelijkheid is de onzekerheid misschien een lange, gekrulde slang die om de berg heen kronkelt. Ze missen de echte complexiteit.

De Niet-Lineaire Manier (De "Verkenner"):
Deze methode kijkt niet alleen naar de plek waar je staat, maar probeert het hele landschap te verkennen. Ze gebruiken slimme algoritmen (zoals PSVI en SVGD in de tekst) om duizenden mogelijke bergtoppen en valleien te simuleren.

• Het voordeel: Ze zien dat de onzekerheid niet zomaar een cirkel is. Ze zien dat er soms een "lus" is: dat een berg met een andere vorm en een andere hoogte precies hetzelfde uitzicht kan geven als de ene die je dacht. Ze vangen de echte, gekrulde vorm van de onzekerheid.

2. Wat Vonden Ze? (De Experimenten)

De auteurs hebben dit getest met twee scenario's:

Scenario A: De Simpele Laagjes (De "Taart")
Stel je een taart voor met verschillende lagen. Soms zit er een laagje met een andere smaak (snelheid) in.

• Bij de randen van de lagen: De lineaire methode dacht dat de onzekerheid aan de "snelle" kant van de laag het grootst was. De niet-lineaire methode zag echter dat de onzekerheid juist aan de "trage" kant het grootst was.
• Waarom? Geluidsgolven gedragen zich gek als ze van snel naar langzaam gaan (of andersom). Ze interfereren met elkaar. De lineaire methode zag dit niet; ze dachten dat het gewoon een rechte lijn was. De niet-lineaire methode zag de echte chaos van de golven.

Scenario B: De Complexe Wereld (De "Marmousi-berg")
Dit was een veel complexer model, meer zoals de echte aarde met zoutkoepels en harde lagen.

• De test: Ze namen een willekeurig model uit hun "onzekerheids-bundel" en lieten het geluid opnieuw door de grond gaan.
• Het resultaat: De modellen van de lineaire methode gaven een heel slecht geluid terug. Het leek niet op de echte metingen. De modellen van de niet-lineaire methode gaven een geluid dat perfect klopte met de werkelijkheid.
• De les: De lineaire methode zei: "We zijn zeker van onze antwoorden," maar die zekerheid was een leugen. De niet-lineaire methode gaf een eerlijk beeld van wat we wel en niet weten.

3. Waarom maakt dit uit? (De "Grootte van de Schat")

Stel je voor dat je een schat zoekt in een grot. Je wilt weten: "Hoe groot is de grot?"

• Als je de lineaire methode gebruikt, denk je dat de grot precies 100 meter breed is, met een onzekerheid van 5 meter.
• Maar als je de niet-lineaire methode gebruikt, zie je dat de grot eigenlijk tussen de 80 en 120 meter kan zijn, en dat de vorm heel gek kan zijn.

In de paper lieten ze zien dat als je de lineaire methode gebruikt, je de grootte van een geologisch object (zoals een olieveld of een CO2-opslag) verkeerd inschat. Je denkt dat het object kleiner of groter is dan het echt is. Dit kan leiden tot foute beslissingen: "We gaan boren op de verkeerde plek" of "We denken dat er meer olie is dan er echt is."

Conclusie in Eenvoudige Woorden

Deze paper zegt eigenlijk: "Stop met het vereenvoudigen van de natuur tot rechte lijnen."

De oude manier (lineair) is snel en makkelijk, maar hij liegt over hoe zeker we zijn. Hij denkt dat alles simpel is, terwijl de natuur (en geluidsgolven) juist heel complex en niet-lineair is.

De nieuwe manier (niet-lineair) is zwaarder om te berekenen (meer rekenkracht nodig), maar hij geeft je de waarheid. Hij laat zien waar de onzekerheid echt zit, vooral op de grenzen tussen verschillende lagen in de aarde. Als je belangrijke beslissingen moet nemen (zoals waar je boort of hoe je risico's inschat), moet je de nieuwe, slimme methode gebruiken. Anders bouw je je huis op een fundering die eruitziet alsof hij stevig is, maar dat in werkelijkheid niet is.

Kortom: In een wereld vol complexe geluidsgolven, is een rechte lijn geen goed antwoord. Je hebt een verkenner nodig die de hele berg kan zien.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Linearised versus Nonlinear Estimates of Uncertainty in Full Waveform Inversion" in het Nederlands.

Probleemstelling

Seismische Full Waveform Inversie (FWI) is een krachtige techniek voor het genereren van hoge-resolutie beelden van de ondergrond. Echter, FWI-oplossingen zijn inherent niet-uniek en onzeker vanwege:

• Onvolmaakte acquisitie-geometrieën (vaak beperkt tot oppervlakte-observaties).
• Ruis in de data.
• De niet-lineariteit van het voorwaartse probleem (de golfvoortplantingsfysica).
• Het onderbepaalde karakter van tomografische problemen in heterogene media.

Traditionele deterministische methoden vinden een lokaal optimale snelheidsmodel (Maximum A Posteriori of MAP), maar schatten de onzekerheid vaak onvoldoende in. Bayesianische inferentie lost dit op door de volledige achterwaartse waarschijnlijkheidsdichtheidsfunctie (posterior pdf) te schatten. De uitdaging is dat het exact berekenen van deze niet-lineaire posterior pdf computatieel zeer intensief is. Bestaande benaderingen gebruiken vaak een gelineariseerde methode (waarbij de fysica rond de MAP-oplossing wordt lineariseerd, wat resulteert in een Gaussische verdeling), maar dit negeert de niet-lineariteit van de golfphysica en kan leiden tot vertekende onzekerheidsschattingen. Er ontbreekt een systematische vergelijking tussen lineariseerde en volledig niet-lineaire onzekerheidsschattingen in FWI.

Methodologie

De auteurs vergelijken drie methoden voor Bayesianische FWI in 2D akoestische scenario's:

1. Glineariseerde Methode (Linearised):

   • Berekent eerst de MAP-oplossing via een deterministische, gradiëntgebaseerde optimalisatie.
   • Lineariseert de voorwaartse operator (golfvergelijking) rond deze MAP-oplossing (gebruikmakend van de Born-benadering).
   • Benadert de posterior als een Gaussische verdeling met een covariantiematrix die lokaal wordt geschat rond het MAP-punt.
   • Deze methode negeert niet-lineariteiten in de golfvoortplanting.

2. Niet-lineaire Methode 1: Physically Structured Variational Inference (PSVI):

   • Een variational inference-algoritme dat een getransformeerde Gaussische verdeling optimaliseert om de volledige posterior te benaderen.
   • Gebruikt een logit-transformatie om fysische constraints (zoals positieve snelheden) te respecteren.
   • Minimaliseert de Kullback-Leibler (KL) divergentie tussen de variational verdeling en de ware posterior over de volledige parameter ruimte.
   • Gebruikt een schaarse covariantiematrix om de rekentijd te beheersen.

3. Niet-lineaire Methode 2: Stein Variational Gradient Descent (SVGD):

   • Een onafhankelijke variational methode die een set van steekproeven (particles) iteratief bijwerkt om de posterior dichtheid te benaderen.
   • Is niet beperkt tot een Gaussische vorm en dient als onafhankelijke validatie voor PSVI.

Validatie: De auteurs testen deze methoden op synthetische data (een gelaagd model en een gemodificeerd Marmousi-model) en vergelijken:

• De gemiddelde snelheidsmodellen (posterior mean).
• De onzekerheidsstructuren (standaardafwijkingen).
• De kwaliteit van de datafit (residu's tussen waargenomen en gesimuleerde data).
• De nauwkeurigheid van afgeleide meta-eigenschappen (bijv. het volume van geologische lichamen) via "interrogation theory".

Belangrijkste Resultaten

1. Gemiddelde Modellen: Zowel de lineariseerde als de niet-lineaire methoden herstellen de gemiddelde snelheidsmodellen (MAP/mean) over het algemeen nauwkeurig, vooral wanneer de data informatief is.
2. Onzekerheidsstructuren: Er zijn significante verschillen in de geschatte onzekerheid, vooral rondom laaggrenzen en snelheidsanomalieën:
   • Niet-lineaire methoden (PSVI/SVGD): Toonen complexe, niet-Gaussische structuren. Ze tonen vaak hoge onzekerheid aan de kant van de lage snelheid en lagere onzekerheid aan de kant van de hoge snelheid bij interfaces. Dit komt door interferentie-effecten in de golfdata die niet-lineair zijn.
   • Lineariseerde methode: Toont vaak het tegenovergestelde patroon (hoge onzekerheid aan de hoge-snelheidskant) en mist de "lus-vormige" onzekerheidsstructuren rond anomalieën die typisch zijn voor niet-lineariteit.
3. Datafit: Steekproeven getrokken uit de lineariseerde posterior passen de waargenomen waveform-data slecht (grote residuen), terwijl steekproeven van de niet-lineaire methoden (PSVI en SVGD) de data nauwkeurig reproduceren. Dit komt doordat de lineariseerde verdeling de niet-lineariteit van de golfvoortplanting negeert; hoewel het gemiddelde model goed past, passen de meeste individuele steekproeven uit die verdeling niet.
4. Meta-eigenschappen (Interrogation): Bij het schatten van het volume van een laag-snelheidslichaam leverde de lineariseerde methode een vertekend resultaat op (de ware waarde viel buiten de meest waarschijnlijke schatting). De niet-lineaire methoden leverden een nauwkeurigere schatting die dichter bij de ware waarde lag.
5. Invloed van Datakwaliteit:
   • Bij zeer informatieve data (hoge frequentie, goede dekking) naderen de resultaten van beide methoden elkaar.
   • Bij weinig informatieve data (lage frequentie, schaarse opname) domineert de prior, en lijken de resultaten weer op elkaar.
   • In het "moeilijke" middengebied (realistische scenario's met ruis en complexe interfaces) verschillen de methoden sterk, waarbij de niet-lineaire methode superieur is.

Bijdragen en Significantie

• Kritische Validatie: Het artikel biedt het eerste systematische bewijs dat lineariseerde onzekerheidsschattingen in FWI fundamenteel onnauwkeurig kunnen zijn, zelfs als het gemiddelde model correct is.
• Fysische Interpretatie: Het toont aan dat de linearisatie van golfphysica leidt tot verkeerde conclusies over waar in het model de onzekerheid het grootst is (bijv. verkeerde interpretatie van de randen van zoutkoepels of harde bodemlagen).
• Advies voor de Praktijk: De auteurs concluderen dat voor risicobewuste besluitvorming (bijv. in de olie- en gasindustrie of geohazard-analyse) niet-lineaire inversiemethoden (zoals PSVI of SVGD) de voorkeur moeten krijgen boven lineariseerde methoden, tenzij de data uiterst informatief is of de prior zeer dominant is.
• Efficiëntie: Het demonstreert dat variational inference (PSVI) een haalbaar en efficiënt alternatief is voor traditionele Monte Carlo-methoden in hoge-dimensionale FWI-problemen, zonder de nauwkeurigheid van de onzekerheidskarakterisatie op te offeren.

Conclusie: Hoewel lineariseerde methoden computatieel goedkoper zijn, leveren ze vertekende onzekerheidskansen op die kunnen leiden tot foutieve interpretaties van de ondergrond. Niet-lineaire Bayesianische methoden zijn noodzakelijk voor betrouwbare kwantitatieve interpretatie en risicobeheer in complexe geofysische omgevingen.