Mejorando la evaluación de la producción de arena mediante la determinación precisa del módulo de Young y la relación de Poisson

Por qué la arena en los pozos petrolíferos es un asunto importante

Cuando un pozo de petróleo o gas comienza a producir arena junto con fluidos, los granos diminutos pueden comportarse como papel de lija industrial. Erosionan tuberías de acero, obstruyen válvulas y separadores, provocan paradas no planificadas e incluso generan riesgos para la seguridad. Este artículo examina cómo mediciones más precisas de dos propiedades básicas de la roca—qué tan rígida es y qué facilidad tiene para deformarse lateralmente—pueden mejorar de forma notable nuestra capacidad para predecir cuándo y dónde los granos se desprenderán, ayudando a la industria a evitar sorpresas costosas.

La física oculta de la desintegración de la roca

En las profundidades, las rocas del yacimiento están comprimidas por el enorme peso de las capas suprayacentes, pero también deben soportar el arrastre de petróleo, gas y agua hacia el pozo. Si la roca se mantiene íntegra o pierde granos depende en gran medida de su rigidez (módulo de Young) y de cómo se dilata bajo esfuerzo (coeficiente de Poisson). Los ingenieros suelen estimar estas propiedades de forma indirecta a partir de ondas sísmicas y registros de densidad porque las pruebas de laboratorio completas en testigos de roca son costosas y lentas. Sin embargo, estas estimaciones indirectas existen en dos variantes—dinámicas y estáticas—y los métodos de predicción de arena necesitan las versiones estáticas que reflejen el comportamiento real del yacimiento. La pregunta que plantean los autores es simple pero crucial: ¿cuáles de las muchas fórmulas publicadas y modelos de aprendizaje automático para estas propiedades estáticas pueden realmente confiarse en campo?

Poniendo a prueba métodos de predicción populares

Los investigadores reunieron un conjunto de datos de 100 muestras de arenisca para las que se habían medido en laboratorio el módulo de Young estático y el coeficiente de Poisson estático. A continuación utilizaron una amplia gama de ecuaciones empíricas existentes y modelos de aprendizaje automático para reestimar estas dos propiedades a partir de entradas estándar de registros de pozo, como la densidad de la roca y el tiempo de tránsito de ondas compresionales y de corte. Con estas propiedades estimadas, alimentaron los resultados a tres herramientas de predicción de arena de uso general: el Índice de Producción de Arena (B), una razón de rigidez cortante a compresibilidad global (G/Cb) y el Índice de Arena de Schlumberger (S/I). Al comparar el veredicto de cada herramienta (arena/no arena) contra el obtenido con datos de laboratorio medidos, el equipo pudo ver cuánto error provenía no del método de predicción en sí, sino de la calidad de las propiedades de roca empleadas como entrada.

Un modelo destacado entre muchos

La comparación directa reveló un patrón claro. La mayoría de las fórmulas tradicionales para el módulo de Young y el coeficiente de Poisson produjeron valores que apenas se correlacionaban con las mediciones de laboratorio o incluso mostraban tendencias en sentido contrario. Cuando estas estimaciones pobres se introdujeron en los tres métodos de predicción de arena, el resultado fue inconsistente: algunos modelos señalaron riesgos de arena donde no existían, mientras que otros no detectaron intervalos claramente proclives a la arena. En marcado contraste, un modelo de regresión por procesos Gaussianos para el módulo de Young y un modelo de aprendizaje profundo (basado en unidades recurrentes con compuertas) para el coeficiente de Poisson, ambos desarrollados por el mismo grupo de investigación en trabajos previos, siguieron los datos medidos casi a la perfección. Las pruebas estadísticas mostraron un coeficiente de determinación cercano a 1 y errores prácticamente nulos. Con estas entradas precisas, las tres metodologías de predicción—B, G/Cb y S/I—arrojaron resultados de arena/no arena que coincidían estrechamente con los puntos de referencia basados en laboratorio.

Ver los tipos de roca con mayor claridad

Más allá de predecir arena, los ingenieros también clasifican la roca del yacimiento como suelta, débilmente cementada o bien consolidada según la rigidez, y como blanda, media o dura según el coeficiente de Poisson. Estas categorías orientan decisiones como instalar empacaduras de grava o pantallas de arena más robustas. El estudio mostró que la mayoría de los modelos heredados asignaron erróneamente muchas muestras a la clase de roca incorrecta, lo que podría conducir a un diseño de control de arena sobredimensionado o insuficiente. De nuevo, los modelos de aprendizaje automático destacaron, reproduciendo las mismas clasificaciones de tipo de roca que las derivadas de las propiedades medidas en laboratorio para la mayoría de las muestras. Esto significa que no solo pueden señalar dónde es probable que aparezca arena, sino también ofrecer una imagen más fiable del carácter mecánico general del yacimiento.

Qué significa esto para pozos del mundo real

Para no especialistas, el mensaje clave es que la calidad de los “ingredientes” que entran en las herramientas de predicción de arena importa tanto como las propias herramientas. Usar fórmulas mal calibradas para la rigidez y la deformabilidad de la roca puede hacer que un yacimiento parezca más seguro o más arriesgado de lo que realmente es, impulsando intervenciones costosas y, a veces, innecesarias. Al evaluar rigurosamente muchos modelos frente a mediciones reales, los autores muestran que unos pocos enfoques de aprendizaje automático cuidadosamente entrenados pueden proporcionar estimaciones de propiedades de roca lo bastante precisas como para mejorar notablemente las predicciones de cuándo aparecerá la arena y qué tipo de roca está presente. En términos prácticos, esto ofrece a los operadores una base más fiable para diseñar pozos, elegir estrategias de control de arena y reducir las probabilidades de que granos invisibles paralicen algún día un proyecto de varios millones de dólares.

Cita: 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

Palabras clave: producción de arena, geomecánica de yacimientos, módulo de Young, coeficiente de Poisson, modelos de aprendizaje automático