Đảo ngược dạng sóng toàn phần: Bước tiến trong công nghệ địa chấn

Ameur Hamdane, Chuyên gia Địa vật lý Cấp cao III và Trưởng dự án tại một tập đoàn dịch vụ dầu khí hàng đầu. (Ảnh: AFP)

Ameur Hamdane, Chuyên gia Địa vật lý Cấp cao III và Trưởng dự án tại một tập đoàn dịch vụ dầu khí hàng đầu, đã có hơn 14 năm kinh nghiệm triển khai các dự án xử lý và ảnh địa chấn tiên tiến, từ vùng nước sâu Vịnh Mexico đến các bồn trũng lục địa ở Bắc Phi và châu Âu. Ông là một trong những người tiên phong ứng dụng các quy trình hiện đại kết hợp trí tuệ nhân tạo nhằm nâng cao chất lượng mô hình hóa tầng dưới bề mặt.

Theo ông Hamdane, FWI tạo nên bước nhảy vọt nhờ hai nhóm đổi mới chính: Thuật toán vật lý và năng lực tính toán.

Về mặt thuật toán, FWI không còn chỉ dựa trên hàm sai số bình phương tối thiểu, mà sử dụng các hàm sai số linh hoạt hơn như Huber/L1, biên độ bao và pha, khoảng cách vận chuyển tối ưu, AWI, hay WRI. Những cải tiến này giúp mở rộng khả năng hội tụ và hạn chế hiện tượng “bỏ chu kỳ” - một trong các thách thức lớn của FWI. Các kỹ thuật tách góc, lọc tán xạ và xử lý tín hiệu tần số thấp được áp dụng để nâng cao khả năng cập nhật mô hình vận tốc. Bên cạnh đó, sử dụng các nhân sóng đa tham số (TTI/viscoacoustic), xấp xỉ Hessian, bù chiếu sáng và thuật toán tối ưu như L-BFGS/CG giúp quá trình cập nhật ổn định và nhanh hơn.

Ở khía cạnh tính toán, FWI đã tận dụng kết hợp MPI + GPU, kỹ thuật checkpointing, nén dữ liệu, tiếp tục theo tần số, phân cấp tham số và tính toán đám mây. Nhờ đó, các mô hình 3D diện rộng mà trước đây chỉ có thể thực hiện trong môi trường nghiên cứu, nay đã khả thi trong thực tế công nghiệp.

FWI đang mở ra nhiều hướng ứng dụng mới trong thời kỳ chuyển dịch năng lượng, từ thăm dò hydrocarbon hiệu quả hơn đến phát triển địa nhiệt và lưu trữ carbon ngầm.

AFP: Một trong những ứng dụng nổi bật của FWI là tạo ảnh dưới tầng muối ở Vịnh Mexico. Ông có thể giải thích cách FWI xử lý các bất định về vận tốc trong những môi trường phức tạp như vậy - nơi mà phương pháp chụp cắt lớp truyền thống thường không đạt hiệu quả không?

Ameur Hamdane (AH): Chụp cắt lớp truyền thống dựa trên tia thường kém hiệu quả dưới tầng muối do mật độ tia thưa, đa đường mạnh và năng lượng truyền qua bị giới hạn vào nhóm tia có góc dốc lớn. FWI thì khai thác bản chất sóng tần số hữu hạn: Ngay cả năng lượng yếu bị khúc xạ, uốn quanh, hay xuyên qua muối vẫn chứa thông tin tần số thấp quan trọng để cập nhật mô hình vận tốc.

Chúng tôi thường áp dụng chiến lược đa thang: Bắt đầu từ tần số rất thấp (≤3-4 Hz) để khôi phục vận tốc quy mô lớn, kết hợp bội mặt nước để tăng ràng buộc, sau đó tinh chỉnh hình học tầng muối và các lớp xung quanh. Reflection FWI đặc biệt hữu ích khi thiếu sóng uốn, vì có thể tận dụng thông tin bước sóng dài từ phản xạ.

Với chính tầng muối, kỹ thuật “salt flooding” kết hợp cập nhật dựa trên hàm mức, hoặc hình học topo, giúp điều chỉnh biên muối ổn định hơn. Đồng thời, bù suy giảm Q và tính đến dị hướng TTI là cần thiết, để tránh nhầm lẫn ảnh hưởng suy giảm, hay dị hướng với thay đổi vận tốc.

Nhờ các cải tiến này, ảnh dưới tầng muối rõ nét hơn, giảm sai lệch độ sâu và giảm nhu cầu can thiệp chủ quan trong RTM, hoặc LSRTM.

AFP: Gần đây, FWI đàn hồi (Elastic FWI) đang thu hút nhiều sự chú ý, nhưng vẫn đòi hỏi năng lực tính toán rất lớn. Theo ông, cần những bước tiến nào để phương pháp đảo ngược đa tham số này có thể trở thành công cụ phổ biến trong quy trình công nghiệp?

AH: Để FWI đàn hồi đa tham số trở nên phổ biến, cần giải quyết hai nhóm vấn đề chính: Tính toán và thuật toán.

Mô phỏng đàn hồi nặng hơn âm học từ 5 đến 10 lần, nên việc tăng tốc là then chốt. Điều này đòi hỏi cụm GPU hiệu năng cao, hạ tầng cloud HPC linh hoạt và các bộ giải tối ưu hóa bộ nhớ để giảm thời gian xử lý.

Về thuật toán, cần phương pháp tách tham số rõ ràng hơn để giảm hiện tượng giao thoa, kết hợp điều chuẩn mạnh và tận dụng học máy nhằm ổn định mô hình. Ngoài ra, các tín hiệu bội - trước đây bị xem là nhiễu - nay có thể được khai thác để tăng ràng buộc.

Một yếu tố quan trọng là tích hợp các chỉ số độ tin cậy, để kết quả không chỉ chi tiết mà còn có giá trị ra quyết định.

FWI đàn hồi sẽ thực sự bước ra ứng dụng rộng rãi khi các tiến bộ tính toán, thuật toán và quy trình này hội tụ trong một mô hình triển khai có khả năng mở rộng và chi phí hợp lý.

Các phương thức của Đảo ngược dạng sóng toàn phần (Full Waveform Inversion - FWI). (Ảnh: AFP)

AFP: Reflection FWI (FWI phản xạ) được xem là phương pháp mở rộng khả năng đảo ngược xuống tới độ sâu tầng chứa. Vậy nó khác gì so với FWI truyền thống, và ông đã thấy những ứng dụng thực tế nào thành công?

AH: FWI truyền thống dựa chủ yếu vào sóng uốn để cập nhật thành phần tần số thấp, trong khi sóng phản xạ thường bị xem là nhiễu. Reflection FWI (RFWI) thay đổi điều này bằng cách tận dụng năng lượng phản xạ nhằm tinh chỉnh mô hình nền.

Thông qua tách góc tán xạ và ràng buộc sai lệch trong miền ảnh, RFWI khai thác thông tin tương đương với sóng truyền qua, vốn trước đây bị bỏ sót. Chúng tôi tạo ra ảnh mở rộng như offset dưới bề mặt hoặc angle gathers, sau đó giảm độ lệch sai (lag) về 0. Khi ảnh còn mờ hay méo, đó là dấu hiệu mô hình vận tốc chưa phù hợp.

RFWI cho phép khôi phục cấu trúc tần số thấp ngay cả trong môi trường thiếu sóng uốn, đặc biệt hiệu quả ở vùng dưới tầng muối Vịnh Mexico, đá phấn Biển Bắc và tiền muối Brazil, với điều kiện phản xạ đủ dày và dữ liệu chất lượng cao.

Tuy vậy, RFWI không phải giải pháp tự động. Nó đòi hỏi xử lý sóng bội kỹ lưỡng, thông tin nguồn chính xác và xem xét dị hướng cũng như suy giảm năng lượng. Khi được triển khai đúng, RFWI rút ngắn đáng kể khoảng cách giữa xây dựng vận tốc và tạo ảnh, giảm thời gian mô hình hóa tổng thể.

AFP: Trí tuệ nhân tạo (AI) thường được nhắc đến như công cụ hỗ trợ tăng tốc FWI. Trong thực tế, AI đang phát huy tác dụng ở khâu nào - xây dựng mô hình ban đầu, giảm hiện tượng bỏ chu kỳ, hay tự động hóa quy trình?

AH: Hiện tại, AI chủ yếu nâng cao hiệu quả quy trình làm việc. Nó tự động hóa các bước tốn thời gian như xử lý và ổn định tín hiệu nguồn, giúp chuỗi xử lý trở nên gọn hơn.

Kết hợp với điện toán đám mây, việc cập nhật địa chấn có thể thực hiện theo từng phần, cho phép đảo ngược linh hoạt và làm mới mô hình vận tốc trong thời gian ngắn hơn, thậm chí trong cùng một ca làm việc.

Dù còn ở giai đoạn đầu, hướng tiếp cận này đã cho thấy hiệu quả trong giám sát 4D, khi cập nhật vận tốc kịp thời giúp nhận diện chính xác thay đổi nhỏ trong tầng chứa liên quan đến khai thác.

Trong tương lai, các nguyên tắc này có thể mở rộng sang quy trình khoan, nơi cập nhật vận tốc nhanh, giúp dự báo rủi ro và hỗ trợ ra quyết định thời gian thực.

AFP: Chúng ta đã tiến gần đến khả năng cập nhật FWI gần thời gian thực trong quá trình khoan đến mức nào? Cần thêm những tiến bộ gì về điện toán đám mây, thiết bị biên, hay thiết kế thuật toán?

AH: Việc cập nhật FWI gần thời gian thực khi khoan hiện đã khả thi, nhưng mới áp dụng trong phạm vi hạn chế, chưa thể triển khai trên quy mô toàn mỏ. Ứng dụng rõ nhất hiện nay là tạo ảnh “nhìn trước mũi khoan” bằng RTM, hoặc LSRTM, tận dụng tiếng ồn từ mũi khoan để quan sát cấu trúc phía trước.

Để FWI hoạt động trong điều kiện này, phạm vi xử lý thường giới hạn trong bán kính 1-3 km quanh mũi khoan, tập trung vào dải tần thấp và chạy trực tiếp trên cụm GPU đặt tại hiện trường.

Các thách thức chính gồm: Băng thông truyền dữ liệu hạn chế, lượng dữ liệu rất lớn từ DAS, tín hiệu mũi khoan thay đổi liên tục và độ trễ tổng thể. Gần đây, những tiến bộ như kết hợp cảm biến đáy biển (OBN), hoặc ghi DAS, cùng kỹ thuật khử nhiễu biên và hàm sai số ổn định hơn, đã cải thiện khả năng vận hành.

Tuy vậy, để FWI gần thời gian thực trở thành quy trình thường xuyên, cần: Nâng cao tốc độ truyền dữ liệu trong giếng, cải thiện nén dữ liệu DAS và chuẩn hóa các bước xử lý tại hiện trường.

AFP: Ông từng viết về vai trò của FWI trong các lĩnh vực như lưu giữ CO₂ (CCS), địa nhiệt và lưu trữ hydro. Về mặt kỹ thuật, điều gì khiến FWI đặc biệt phù hợp với những ứng dụng này hơn so với các phương pháp địa chấn truyền thống?

AH: Điểm cốt lõi là khả năng xác định thuộc tính tuyệt đối và tính lặp lại cao.

Với CCS và lưu trữ hydro, yêu cầu quan trọng là đánh giá độ tin cậy của tầng chắn, sự liên thông của tầng chứa và thay đổi bão hòa, hoặc áp suất theo thời gian. FWI xây dựng mô hình vận tốc liên tục và chính xác; khi tính đến đàn hồi, hoặc suy giảm năng lượng, mô hình trở nên nhạy với chất lưu và nhiệt độ, phản ánh trực tiếp đặc tính vật lý của đá. Điều này giúp giảm phụ thuộc vào hiệu chỉnh thực nghiệm giữa địa chấn và mô phỏng vỉa.

Trong giám sát 4D, FWI nhạy với những biến đổi nhỏ, đặc biệt khi đảo ngược cả pha, hoặc biên độ bao. Nhờ đó, chuyển động của CO₂, hoặc mặt sóng nhiệt trong các dự án địa nhiệt được theo dõi rõ ràng hơn so với cách chồng ảnh truyền thống.

Trong địa nhiệt, FWI đàn hồi cho phép nhận diện mật độ và hướng nứt nẻ, thông qua thông tin dị hướng và vận tốc sóng cắt, đồng thời phản ánh ảnh hưởng của nhiệt độ đến suy giảm năng lượng.

Trong lưu trữ hydro, xác định chính xác tầng chắn và hệ đứt gãy là yếu tố sống còn; mô hình có độ phân giải cao và sai số kiểm soát giúp quản lý rủi ro tốt hơn.

Ngoài ra, các dự án CCS, địa nhiệt và hydro thường nằm ở độ sâu nông hơn so với thăm dò nước sâu, nên các yêu cầu về dải tần và góc mở dễ đáp ứng hơn, nhờ hệ thống cảm biến nút hiện đại.

AFP: Nhiều nhà nghiên cứu đang thử nghiệm phương pháp nghịch đảo kết hợp với dữ liệu điện từ (EM), hoặc trọng lực. Liệu điều này có khả thi trong các dự án quy mô công nghiệp không, và nó có thể mang lại lợi ích gì cho những tầng chứa phức tạp?

AH: Việc nghịch đảo kết hợp địa chấn với EM, hoặc trọng lực hoàn toàn khả thi trong các dự án thí điểm có mục tiêu rõ ràng, và đang mở rộng ở những nơi có cơ sở kinh tế hợp lý. Dù khối lượng dữ liệu và nhu cầu tính toán lớn, sự phát triển của HPC và thuật toán đang giúp quy trình này trở nên thực tiễn hơn.

Lợi ích chính là tạo ra mô hình thống nhất và phù hợp vật lý: Địa chấn cung cấp cấu trúc và độ tương phản đàn hồi; EM bổ sung thông tin điện trở suất nhạy với chất lưu; trọng lực ràng buộc mật độ. Khi kết hợp, các nguồn dữ liệu này giúp giảm tính không duy nhất của nghiệm và thu hẹp sai số, đặc biệt trong môi trường phức tạp như dưới muối nước sâu, hoặc giám sát đám CO₂ trong CCS, nơi một phương pháp đơn lẻ dễ bỏ sót thông tin quan trọng.

AFP: Nếu nhìn về 10 năm tới, ông có cho rằng FWI sẽ phát triển thành một phương pháp “nghịch đảo toàn vật lý” - bao gồm dị hướng, suy giảm năng lượng và đa tham số - không? Nếu có, điều đó sẽ ảnh hưởng thế nào đến quá trình ra quyết định trong thăm dò và khai thác?

AH: Tôi tin rằng FWI sẽ tiến tới mức “toàn vật lý”, mô phỏng rõ ràng dị hướng, suy giảm năng lượng và các thuộc tính đàn hồi đa tham số. Hai động lực chính là sức mạnh tính toán từ GPU song song và đám mây, cùng thuật toán tách tham số mạnh hơn và cập nhật dựa trên Hessian có kiểm soát độ tin cậy.

Quan trọng hơn, sản phẩm đầu ra của FWI sẽ thay đổi: Thay vì chỉ là mô hình vận tốc, kết quả sẽ là thông tin hỗ trợ ra quyết định như bản đồ rủi ro xuyên thủng tầng chắn, nguy cơ áp suất bất thường, hành vi dịch chuyển CO₂, hoặc độ sâu khoan dự kiến kèm hệ số tin cậy.

Khi kết nối trực tiếp kết quả FWI với quy trình mô hình hóa tầng chứa, doanh nghiệp có thể rút ngắn đáng kể thời gian từ phát hiện đến phát triển mỏ, đồng thời giảm mức độ bất định trong địa chất ngầm. Tuy nhiên, đây không phải là quy trình tự động hoàn toàn - thành công vẫn phụ thuộc vào dữ liệu đầu vào đáng tin cậy, quy trình hiệu chuẩn nghiêm ngặt và kiểm soát chất lượng chặt chẽ. Tập trung vào những yếu tố vật lý có ý nghĩa với từng quyết định sẽ giúp giảm bất ngờ, hội tụ nhanh hơn và đưa ra lựa chọn dựa trên cơ sở định lượng thay vì tranh luận.

Cuối cùng, FWI không phải là “đũa thần”, mà là một phương pháp kỷ luật để khai thác thông tin từ dữ liệu mà bạn đã tốn công thu thập. Nếu có đủ dải tần, đủ góc thu và mục tiêu rõ ràng, FWI sẽ mang lại những mô hình chính xác và giếng khoan hiệu quả hơn. Các yếu tố như AI, điện toán đám mây, hay FWI đàn hồi, chỉ đóng vai trò khuếch đại - cốt lõi vẫn là vật lý, kiểm soát chất lượng và niềm tin vào mô hình.

Nh.Thạch

AFP