تحسين تقييم إنتاج الرمل من خلال تحديد دقيق لمُعامل يونغ ونسبة بواسون

لماذا يمثل وجود الرمل في آبار النفط مشكلة كبيرة

عندما يبدأ بئر نفط أو غاز بإنتاج الرمل مع السوائل، يمكن للحبيبات الدقيقة أن تعمل كورق صنفرة صناعي. تؤدي إلى تآكل أنابيب الصلب، وتسد الصمامات والفواصل، وتفرض عمليات إيقاف غير مخططة، بل وتخلق مخاطر على السلامة. تستعرض هذه المقالة كيف يمكن لقياسات أفضل لخاصيتين أساسيتين للصخور — مدى صلابتها ومدى سهولة تشوّهها جانبياً — أن تحسّن بشكل كبير قدرتنا على التنبؤ بموعد ومكان انفصال الحبيبات، مما يساعد الصناعة على تجنب مفاجآت مكلفة.

الفيزياء الخفية لتفكك الصخور

عميقاً تحت الأرض، تتعرض صخور الخزان للضغط من وزن الطبقات الفوقية الهائل، ومع ذلك يجب أن تتحمل أيضاً سحب النفط والغاز والماء نحو البئر. ما إذا كانت الصخور ستظل متماسكة أو ستفقد حبيبات يعتمد بقوة على صلابتها (معامل يونغ) وكيفية انتفاخها تحت الإجهاد (نسبة بواسون). غالباً ما يقدّر المهندسون هذه الخواص بشكل غير مباشر من موجات الصوت وقياسات الكثافة لأن الاختبارات المخبرية الكاملة على نوى الصخور مكلفة وبطيئة. ومع ذلك، تأتي هذه التقديرات غير المباشرة بنوعين — ديناميكي وساكن — وتحتاج طرق التنبؤ بالرمل إلى النسخ الساكنة لتعكس سلوك الخزان الحقيقي. السؤال الذي يطرحه الباحثون بسيط لكنه حاسم: أي من الصيغ المنشورة ونماذج التعلم الآلي للخواص الساكنة يمكن الوثوق بها فعلياً في الميدان؟

اختبار طرق التنبؤ الشائعة

جمعت المجموعة البحثية مجموعة بيانات مكونة من 100 عينة من الحجر الرملي تم قياس معامل يونغ الساكن ونسبة بواسون الساكنة لها في المختبر. ثم استخدموا طيفاً واسعاً من المعادلات التجريبية ونماذج التعلم الآلي القائمة لإعادة تقدير هاتين الخاصيتين من مدخلات تسجيل البئر القياسية، مثل كثافة الصخور وزمن سير موجات الضغط والقص. وباستخدام هذه القيم المقدرة، أدخلوا النتائج في ثلاثة أدوات شائعة للتنبؤ بإنتاج الرمل: مؤشر إنتاج الرمل (B)، ونسبة صلابة القص إلى الانضغاطية الكلية (G/Cb)، ومؤشر شلمبرجير للرمل (S/I). بمقارنة حكم كل أداة بوجود/عدم وجود الرمل مع الحكم المستمد من بيانات المختبر المقاسة، تمكن الفريق من رؤية مقدار الخطأ الذي ينبع ليس من طريقة التنبؤ نفسها، بل من جودة خواص الصخور الداخلة.

نموذج متفوق بين العديد

أظهر المقارنة وجهاً لوجه نمطاً حادّاً. أنتجت معظم الصيغ التقليدية لمعامل يونغ ونسبة بواسون قيماً إما لم تتوافق تقريباً مع قياسات المختبر أو كانت تتجه في الاتجاه الخاطئ. وعندما أدخلت هذه التقديرات الضعيفة في طرق التنبؤ الثلاث، كانت النتائج متباينة: أشارت بعض النماذج إلى مخاطر رملية حيث لا توجد، بينما فشلت أخرى في اكتشاف طبقات معرضة بوضوح لإنتاج الرمل. على النقيض الحاد، تبعت نموذجان — نموذج انحدار العملية الغاوسية لمعامل يونغ ونموذج تعلم عميق (مبني على وحدات الذاكرة المتكررة المحمية) لنسبة بواسون، وكلاهما طوّرتهما نفس مجموعة البحث في أعمال سابقة — البيانات المقاسة تقريباً بشكل مثالي. أظهرت الاختبارات الإحصائية معامل تحديد قريب من 1 وأخطاء ضئيلة للغاية. مع هذه المدخلات الدقيقة، أعطت جميع طرق التنبؤ الثلاثة — B وG/Cb وS/I — نتائج وجود/عدم وجود الرمل مطابقة إلى حد كبير للمعايير المستندة إلى المختبر.

رؤية أوضح لأنواع الصخور

بعيداً عن التنبؤ بالرمل، يصنف المهندسون أيضاً صخور الخزان كرخوة أو متصلة تلاصقاً ضعيفاً أو متماسكة جيداً بناءً على الصلابة، وكطريّة أو متوسطة أو صلبة بناءً على نسبة بواسون. ترشد هذه الفئات اتخاذ قرارات مثل ما إذا كان ينبغي تركيب حزم حصوية أو شاشات رملية أقوى. أظهرت الدراسة أن معظم النماذج القديمة أسندت العديد من العينات إلى فئة الصخور الخاطئة، مما قد يؤدي إلى تصميمات مبالغ فيها أو ناقصة لوسائل التحكم بالرمل. تميزت نماذج التعلم الآلي مرة أخرى، حيث أعادت إنتاج نفس تصنيفات نوع الصخور كما استُخلصت من الخواص المقاسة لمعظم العينات. هذا يعني أنها لا تعرض فقط مكان احتمال وجود الرمل، بل تقدم أيضاً صورة أكثر موثوقية للطابع الميكانيكي العام للخزان.

ماذا يعني هذا للآبار الواقعية

لغير المتخصصين، الرسالة الأساسية هي أن جودة «المكونات» الداخلة إلى أدوات التنبؤ بالرمل تهم بقدر أهمية الأدوات نفسها. يمكن أن تجعل الصيغ المعيارية الضعيفة المعايرة من الخزان يبدو أكثر أمناً أو أكثر خطورة مما هو عليه في الواقع، مما يدفع إلى تدخلات مكلفة وأحياناً غير ضرورية. من خلال تقييم العديد من النماذج بشكل صارم مقابل قياسات حقيقية، يظهر الباحثون أن بعض طرق التعلم الآلي المدربة بعناية يمكن أن توفر تقديرات لخصائص الصخور دقيقة بما يكفي لتحسين التنبؤات بوقت ومكان ظهور الرمل ونوع الصخور الموجودة. عملياً، يوفر ذلك للمشغلين أساساً أكثر موثوقية لتصميم الآبار، واختيار استراتيجيات التحكم بالرمل، وتقليل احتمال أن تتوقف المشاريع متعددة الملايين بسبب حبيبات غير مرئية.

الاستشهاد: Alakbari, F.S., Mahmood, S.M., Abdelnaby, M.M. et al. Enhancing sand production assessment through accurate determination of Young’s modulus and Poisson’s ratio. Sci Rep 16, 6826 (2026). https://doi.org/10.1038/s41598-026-36761-2

الكلمات المفتاحية: إنتاج الرمل, جيوميكانيكا الخزان, معامل يونغ, نسبة بواسون, نماذج التعلم الآلي