Améliorer l’évaluation de la production de sable par une détermination précise du module d’Young et du coefficient de Poisson

Pourquoi le sable dans les puits pétroliers est un problème majeur

Lorsqu’un puits de pétrole ou de gaz commence à produire du sable en même temps que des fluides, ces minuscules grains jouent le rôle d’un papier de verre industriel. Ils érodent les tuyaux en acier, obstruent les vannes et les séparateurs, entraînent des arrêts imprévus et peuvent même créer des risques pour la sécurité. Cet article examine comment de meilleures mesures de deux propriétés fondamentales des roches — leur rigidité et leur tendance à se déformer latéralement — peuvent considérablement améliorer notre capacité à prédire quand et où le sable se détachera, aidant ainsi l’industrie à éviter des surprises coûteuses.

La physique cachée de l’effritement des roches

En profondeur, les roches du réservoir sont comprimées par le poids énorme des couches sus-jacentes, tout en devant résister au déplacement du pétrole, du gaz et de l’eau vers un puits. Le maintien des grains en place ou leur détachement dépend fortement de la rigidité de la roche (module d’Young) et de sa dilatation sous contrainte (coefficient de Poisson). Les ingénieurs estiment souvent ces propriétés de façon indirecte à partir d’ondes sonores et de diagraphies de densité, car les essais de laboratoire complets sur carottes sont coûteux et lents. Cependant, ces estimations indirectes existent en deux variantes — dynamique et statique — et les méthodes de prédiction du sable ont besoin des versions statiques pour refléter le comportement réel du réservoir. La question posée par les auteurs est simple mais cruciale : lesquelles des nombreuses formules publiées et modèles d’apprentissage automatique pour ces propriétés statiques peuvent réellement être fiables sur le terrain ?

Mettre à l’épreuve les méthodes de prédiction courantes

Les chercheurs ont constitué un jeu de données de 100 échantillons de grès pour lesquels le module d’Young statique et le coefficient de Poisson statique avaient été mesurés en laboratoire. Ils ont ensuite utilisé un large éventail d’équations empiriques existantes et de modèles d’apprentissage automatique pour réestimer ces deux propriétés à partir des entrées standard des diagraphies, telles que la densité de la roche et les temps de parcours des ondes de compression et de cisaillement. Avec ces propriétés estimées, ils ont alimenté trois outils de prédiction du sable largement utilisés : l’indice de production de sable (B), un rapport de rigidité au cisaillement sur la compressibilité globale (G/Cb), et l’indice de Schlumberger (S/I). En comparant le verdict sable/pas de sable de chaque outil avec celui obtenu à partir des données mesurées en laboratoire, l’équipe a pu évaluer combien d’erreur provenait non pas de la méthode de prédiction elle-même, mais de la qualité des propriétés de la roche utilisées en entrée.

Un modèle se démarque parmi d’autres

La comparaison tête-à-tête a révélé un schéma saisissant. La plupart des formules traditionnelles pour le module d’Young et le coefficient de Poisson produisaient des valeurs qui corrélaient à peine avec les mesures de laboratoire, voire évoluaient dans la mauvaise direction. Lorsque ces estimations médiocres étaient introduites dans les trois méthodes de prédiction du sable, les résultats étaient incohérents : certains modèles signalaient des risques de sable inexistants, tandis que d’autres manquaient des intervalles clairement susceptibles de produire du sable. En net contraste, un modèle de régression par processus gaussien pour le module d’Young et un modèle de deep learning (basé sur des unités récurrentes à portes) pour le coefficient de Poisson, tous deux développés par le même groupe de recherche dans des travaux antérieurs, suivaient presque parfaitement les données mesurées. Les tests statistiques ont montré un coefficient de détermination proche de 1 et des erreurs pratiquement nulles. Avec ces entrées précises, les trois méthodes de prédiction du sable — B, G/Cb et S/I — ont fourni des résultats sable/pas de sable très proches des références basées sur les mesures de laboratoire.

Mieux discerner les types de roches

Au-delà de la prédiction du sable, les ingénieurs classent également la roche du réservoir comme lâche, faiblement cimentée ou bien consolidée selon la rigidité, et comme tendre, moyenne ou dure selon le coefficient de Poisson. Ces catégories orientent des choix tels que l’installation de chapes gravillonnées ou de écrans à sable plus robustes. L’étude a montré que la plupart des modèles hérités affectaient de nombreux échantillons à une mauvaise classe de roche, ce qui peut conduire à une conception de contrôle du sable surdimensionnée ou insuffisante. Les modèles d’apprentissage automatique se sont à nouveau distingués, reproduisant pour la plupart des échantillons les mêmes classifications de type de roche que celles dérivées des propriétés mesurées. Cela signifie qu’ils peuvent non seulement indiquer où le sable est probable, mais aussi fournir un tableau plus fiable du caractère mécanique global du réservoir.

Quelles implications pour les puits réels

Pour les non-spécialistes, le message clé est que la qualité des « ingrédients » introduits dans les outils de prédiction du sable compte autant que les outils eux‑mêmes. L’utilisation de formules mal calibrées pour la rigidité et la déformabilité des roches peut faire paraître un réservoir soit plus sûr, soit plus risqué qu’il ne l’est réellement, entraînant des interventions coûteuses et parfois inutiles. En évaluant rigoureusement de nombreux modèles par rapport à des mesures réelles, les auteurs montrent que quelques approches d’apprentissage automatique soigneusement entraînées peuvent fournir des estimations des propriétés des roches suffisamment précises pour améliorer nettement les prévisions de l’apparition du sable et du type de roche présent. En termes pratiques, cela offre aux opérateurs une base plus fiable pour concevoir les puits, choisir des stratégies de contrôle du sable et réduire les risques que des grains invisibles mettent un jour fin à un projet de plusieurs millions de dollars.

Citation: 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

Mots-clés: production de sable, géomécanique des réservoirs, module d’Young, coefficient de Poisson, modèles d’apprentissage automatique