🔢 mathematics

Full cross-correlation inversion for quantitative passive imaging with time-harmonic acoustic waves

Dit artikel presenteert een numeriek kader voor de kwantitatieve reconstructie van akoestische mediumeigenschappen met behulp van passieve beeldvorming, waarbij een iteratief minimalisatieschema gebaseerd op de verwachte waarde van kruiscorrelaties van stochastische bronnen wordt ontwikkeld en gevalideerd tegenover actieve-bronmetingen in twee en drie dimensies.

Oorspronkelijke auteurs: Jean Dutheil, Florian Faucher

Gepubliceerd 2026-07-13

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jean Dutheil, Florian Faucher

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te zoeken hoe een mysterieuze, mistige kamer eruitziet, maar je mag het licht niet aanzetten of een bal tegen de muren gooien om de echo te horen. In plaats daarvan moet je luisteren naar het willekeurige, chaotische gezoem van de kamer zelf — het kraken van de vloerplanken, de wind die door kieren fluit, het verre verkeer. Dit is de wereld van passieve beeldvorming.

Decennialang hebben wetenschappers geprobeerd deze willekeurige "achtergrondgeluiden" te gebruiken om de binnenkant van objecten in kaart te brengen, zoals de aardkorst of zelfs de zon. Een populaire truc is geweest om twee microfoons te nemen, het geluid op te nemen en de signalen bij elkaar te voegen (een proces genaamd cross-correlatie) om te zien of er een duidelijk patroon verschijnt. Meestal gingen mensen ervan uit dat als je maar lang genoeg wacht, deze willekeurige ruis magisch versimpelt tot een net, voorspelbaar signaal dat precies lijkt op een golf die van een specifiek punt wordt uitgezonden.

Maar hier komt de twist: Dit artikel betoogt dat deze "magische versimpeling" vaak een leugen is. De auteurs, Jean Dutheil en Florian Faucher, zeggen dat in veel echte situaties deze nette versimpeling niet standhoudt. In plaats van te doen alsof de ruis eenvoudig is, hebben zij een superintelligent, complex computermodel gebouwd dat de ruis behandelt precies zoals deze is: een rommelige superpositie van golven afkomstig van willekeurige, ongecorreleerde bronnen.

Het Grote Idee: Luisteren naar de Chaos

Het team heeft een methode ontwikkeld genaamd Full Cross-Correlation Waveform Inversion (FCCWI). Denk aan het volgende:

De Oude Manier (Actieve Beeldvorming): Je hebt een zaklamp (een gecontroleerde bron). Je schijnt op een muur, en je ziet een schaduw. Simpel.
De Nieuwe Manier (Passieve Beeldvorming): Je bent in het donker. Je kunt geen licht schijnen. Je hebt alleen een kamer vol mensen die willekeurig fluisteren.
De Innovatie van het Papier: In plaats van alleen te luisteren naar de tijd die het duurt voordat een gefluister van de ene persoon naar de andere reist (wat de meeste mensen doen), luistert deze methode naar de volledige vorm van de geluidsgolf die ontstaat door alle fluisteringen bij elkaar te mengen.

De auteurs ontdekten dat door wiskundig de verwachte waarde (het gemiddelde patroon dat je zou zien als je het experiment een miljoen keer zou uitvoeren) van deze gemengde signalen te modelleren, ze de fysieke eigenschappen van het medium konden reconstrueren — specifiek de golfsnelheid en de dichtheid — zonder ooit een gecontroleerde zaklamp nodig te hebben.

De "Twee-Stappen" Dans

Om dit werkend te krijgen, moesten de auteurs een lastig wiskundig probleem oplossen. Bij standaard beeldvorming hoef je slechts één keer een "reverse movie" van het geluid af te spelen om te begrijken wat er misging. Maar omdat ze te maken hebben met willekeurige geluidscorrelaties, moesten ze twee "reverse movies" (genaamd "adjoint states") tegelijkertijd draaien.

Stel je voor dat je een knoop in een koptelefoon probeert te ontwarren. Normaal gesproken trek je gewoon aan één uiteinde. Maar hier is de knoop zo complex dat je twee uiteinden tegelijkertijd moet trekken, in een zeer specifieke dans, om te zien waar de knopen zitten. Het papier bewijst dat deze twee-stappen dans noodzakelijk is om het juiste antwoord te krijgen wanneer de bronnen van de ruis willekeurig en ongecorreleerd zijn.

Wat de Simulaties Lieten Zien

Het team heeft niet alleen gepraat over dit onderwerp; ze hebben enorme computersimulaties gedraaid om het te testen. Dit is wat ze vonden:

Het Werkt (Grotendeels): In een 2D-test met een eenvoudige vierkant en een cirkel die verborgen zat in een blok, deed hun methode (FCCWI) het erg goed bij het vinden van de vormen, bijna net zo goed als de traditionele "zaklamp"-methode (FWI).
De "Onbekende" Factor: De grootste hindernis is dat ze niet precies weten waar de ruis vandaan komt of hoe hard deze is (de broncovariantie).
- Toen ze probeerden de golfsnelheid (hoe snel geluid reist) in kaart te brengen, werkte de methode goed, zelfs als ze de ruisbron niet perfect kenden.
- Echter, toen ze probeerden de broncovariantie zelf in kaart te brengen (de "luidheidkaart" van de ruis), waren de resultaten wankel. De simulaties lieten zien dat hoewel ze de algemene vorm konden raden, de exacte getallen afwijken. Het papier suggereert dat de standaard wiskunde die ze gebruikten (een $l_2$ -norm) geweldig is voor timing (fase), maar niet zo goed voor het meten van luidheid (amplitude).
De 3D Uitdaging: Ze duwden de methode naar een 3D-wereld met contrastrijke objecten (zoals een rots met een heel andere snelheid van binnen). De methode vond de verborgen rotsen succesvol, zelfs wanneer ze begonnen met een blanco, eendimensionale gok.
- Het Addertje: Het was duur. In hun simulatie duurde de nieuwe methode ongeveer 4 minuten per iteratie, terwijl de traditionele methode slechts 1 minuut duurde. Dat is een viervoudige toename in computertijd omdat de wiskunde veel zwaarder is.

Wat Ze Expliciet Uitsluiten

Het papier is zeer duidelijk over wat niet te doen. Ze verwerpen expliciet het idee dat je de cross-correlatie altijd kunt vereenvoudigen tot slechts de "imaginaire waarde van de Green-functie" (een chique manier om te zeggen: "het nette, eenvoudige signaal"). Ze stellen dat deze aanname van een "gemakkelijke bron" vaak fout is in echte toepassingen en tot slechte resultaten leidt. Ze sluiten ook de mogelijkheid uit dat je alleen reistijden kunt gebruiken; ze eisen het gebruik van het volledige golfveld.

Hoe Zeker Zijn Ze?

De auteurs zijn vertrouwd met hun wiskunde en hun simulaties, maar ze zijn voorzichtig om niet te beweren dat ze het probleem voor de echte wereld al hebben "opgelost".

Bewezen: De wiskundige afleiding van de twee-adjoint-state methode is solide.
Gesimuleerd: Alle resultaten (de 2D- en 3D-beelden) zijn gebaseerd op synthetische data (computergegenereerde ruis), niet op echte opnames van de aarde of de zon.
Gesuggereerd: Ze suggereren dat een tweetraps proces het beste zou zijn: eerst de golfsnelheid bepalen (wat makkelijker is), en daarna proberen de bronruis te bepalen. Ze geven toe dat het reconstrueren van de bronruis zelf nog steeds "moeilijker" is en nieuwe strategieën vereist.

De Kern van het Verhaal

Dit papier is een blauwdruk voor een nieuwe manier om "te zien" in het donker. Het laat zien dat door de volledige complexiteit van willekeurige ruis te omarmen in plaats van te proberen deze te vereenvoudigen, we nauwkeurige kaarten kunnen maken van de binnenkant van objecten. Het is geen toverstaf die het proces direct of gemakkelijk maakt (het is zelfs vier keer trager op een computer), maar het bewijst dat we gedetailleerde, kwantitatieve beelden van de wereld kunnen krijgen met alleen de achtergrondruis, mits we bereid zijn het zware wiskundige werk te verrichten.

De auteurs kijken nu uit naar het testen van dit op echte gegevens, zoals de trillingen van de zon of de aarde, om te zien of de simulatiemagie standhoudt in de echte, rommelige wereld.

Technische Samenvatting: Volledige Cross-Correlatie Inversie voor Kwantitatieve Passieve Imaging

Probleemstelling
Dit werk behandelt het kwantitatieve inverse probleem van het reconstrueren van fysieke eigenschappen van een medium met behulp van passieve imaging-data. In tegenstelling tot actieve bron-imaging, die steunt op gecontroleerde excitatie, maakt passieve imaging gebruik van omgevingsgolfvelden gegenereerd door stochastische bronnen (bijv. microseismische activiteit of turbulente convectie). De centrale uitdaging is het relateren van deze stochastische observaties aan deterministische mediumeigenschappen. Terwijl traditionele benaderingen vaak vertrouwen op het extraheren van reistijden uit cross-correlaties of uitgaan van "handige" bronverdelingen (waarbij de cross-correlatie proportioneel is aan het imaginaire deel van de Green-functie), richt dit artikel zich op een full-waveform benadering. Het doel is om de golfsnelheid ( $c$ ) en de dichtheid ( $\rho$ ) van het medium te reconstrueren, evenals de ruimtelijke covariantie van de stochastische bronnen ( $S$ ), zonder de data te reduceren tot reistijden of een uniforme bronverdeling aan te nemen.

Methodologie
De auteurs formuleren het probleem met behruikmaking van tijdsharmonische akoestische golfvoortplanting. De omgevingssignalen worden gemodelleerd als een superpositie van golven van ruimtelijk ongecorreleerde, gemiddeld nul stochastische bronnen. Onder deze aannames wordt de verwachte waarde van de cross-correlatie tussen signalen op twee locaties afgeleid als een deterministische grootheid gerelateerd aan de Green-functie en de broncovariantie.

Forward Modeling: De golfvergelijking wordt behandeld als een eerstegraads systeem bestaande uit druk en deeltjelsnelheid. De verwachte cross-correlatie wordt berekend door twee opeenvolgende golfproblemen op te lossen: eerst een Green-functie probleem met een Dirac-bron om de impulsrespons te verkrijgen; daarna een probleem met een rechterzijde die is geconstrueerd uit het product van de broncovariantie en de Green-functie. Deze formulering maakt de berekening van cross-correlaties tussen verschillende veldcomponenten (bijv. druk en snelheid) mogelijk.
Discretisatie: Het numerieke kader maakt gebruik van de Hybridizable Discontinuous Galerkin (HDG) methode. Deze benadering is gekozen vanwege het vermogen om eerstegraads systemen efficiënt te verwerken, waarbij directe toegang wordt geboden tot zowel scalaire als vectorvelden zonder het globale lineaire systeem te vergroten. Het ondersteunt $hp$-adaptiviteit en parallellisatie. De HDG-formulering leidt tot een globaal lineair systeem dat alleen de vrijheidsgraden op de mesh-vlakken bevat, waarbij lokale volumensoluties worden hersteld via statische condensatie.
Inverse Probleem Formulering: De reconstructie wordt gepositioneerd als een niet-lineair minimalisatieprobleem, analoog aan Full Waveform Inversion (FWI), maar waarbij de verwachte cross-correlatie als de data-misfit wordt gebruikt. De objectieve functie meet de $L^2$ -afstand tussen geobserveerde en gesimuleerde cross-correlaties.
Gradiëntberekening: Om het inverse probleem iteratief op te lossen, wordt de gradiënt van de misfit-functionaal berekend met behulp van de adjoint-state methode. Een belangrijke theoretische bijdrage is de afleiding van de adjoint-formulering voor cross-correlatie-data. In tegenstelling tot standaard FWI, dat een enkele adjoint state vereist, vereist deze benadering twee adjoint states: één geassocieerd met de cross-correlatie residu, en een tweede die wordt gedreven door de eerste adjoint state en de broncovariantie. Dit houdt rekening met de afhankelijkheid van de cross-correlatie van zowel de mediumparameters als de bronverdeling.
Optimalisatie: De minimalisatie wordt uitgevoerd met een quasi-Newton L-BFGS algoritme met een line search, waarbij de expliciete vorming van de Hessian-matrix wordt vermeden.

Belangrijkste Bijdragen

Full Cross-Correlation Waveform Inversion (FCCWI): Het artikel stelt een kwantitatief inversiekader voor dat gebruikmaakt van het volledige verwachte cross-correlatie-golfveld in plaats van enkel reistijden of eerste aankomsten.
Gezamenlijke Reconstructie: De methode reconstrueert simultaan de mediumparameters ( $c, \rho$ ) en de broncovariantie ( $S$ ), waarbij de laatste als een onbekende wordt behandeld in plaats van een vaste of vereenvoudigde aanname.
Adjoint-State Afleiding voor Passieve Imaging: De auteurs leiden een specifieke adjoint-state formulering af voor cross-correlatie-data, waarbij zij aantonen dat twee adjoint states nodig zijn om de gradiënt nauwkeurig te berekenen.
HDG Implementatie: Het werk beschrijft de implementatie van dit inverse probleem met behulp van de HDG-methode, inclusief de specifieke afhandeling van de twee-staps forward solver en de twee-staps adjoint solver binnen het HDG statische condensatie-framework.

Numerieke Resultaten
De methodologie wordt gevalideerd door middel van synthetische experimenten in 2D en 3D:

Experiment 1 (2D, Volledige Data): In een eenheidsvierkant met contrasterende inclusies slaagt de FCCWI-benadering erin de golfsnelheid te herstellen, met resultaten die vergelijkbaar zijn met standaard FWI, hoewel met iets meer achtergrondoscillaties. De reconstructie van de broncovariantie blijkt minder nauwkeurig dan die van de golfsnelheid, wat suggereert dat een twee-fasen inversiestrategie (eerst golfsnelheid, dan broncovariantie) gunstig is.
Experiment 2 (2D, Seismische Configuratie): Gebruikmakend van het Overthrust-model met alleen data aan de oppervlakte, herstelt FCCWI de gelaagde structuur van de golfsnelheid redelijk goed, hoewel met een lagere resolutie dan FWI. De reconstructie van de broncovariantie blijft uitdagend, waarbij de $L^2$ misfit-functionaal gevoeliger blijkt voor fase (golfsnelheid) dan voor amplitude (broncovariantie).
Experiment 3 (3D, Hoog Contrast): In een 3D-domein met hoog-contrast inclusies herstellen zowel FWI als FCCWI succesvol de geometrie van de inclusies. FCCWI vertoont een verbeterde resolutie voor inclusies nabij de grenzen vergeleken met directe golfvelddata, maar onderschat de amplitude binnen de inclusies licht.
Computationele Kosten: Het 3D-experiment benadrukt dat FCCWI computationeel duurder is dan FWI (ongeveer 4 keer trager per iteratie in de geteste opstelling) vanwege de noodzaak om aanvullende lineaire systemen op te lossen en meerdere rechterzijden samen te stellen.

Betekenis en Claims
Het artikel claimt dat het voorgestelde kader de kwantitatieve reconstructie van mediumeigenschappen mogelijk maakt vanuit passieve omgevingsruis zonder te vertrouwen op simplificerende aannames over de bronverdeling (zoals uniformiteit of de "handige bron"-aanname). Hoewel de auteurs erkennen dat gecontroleerde-bron imaging (FWI) over het algemeen een hogere nauwkeurigheid biedt wanneer beschikbaar, demonstreren zij dat passieve imaging met behulp van volledige cross-correlatie golfvormen kwantitatieve informatie over het medium kan herstellen.

De auteurs merken bescheiden op dat de reconstructie van de broncovariantie moeilijker is dan die van de golfsnelheid, vooral bij het gebruik van een $L^2$ misfit-functionaal, en suggereren dat specifieke lineaire inversiestrategieën of alternatieve misfit-functionalen nodig zijn voor toekomstige verbeteringen. Het werk legt een theoretische en numerieke basis voor het toepassen van full-waveform inversion principes op passieve imaging, wat de weg vrijmaakt voor toepassingen in velden zoals helioseismologie en seismische monitoring waar actieve bronnen niet haalbaar zijn.