Migliorare la valutazione della produzione di sabbia mediante la determinazione accurata del modulo di Young e del rapporto di Poisson

Perché la sabbia nei pozzi petroliferi è un problema importante

Quando un pozzo di petrolio o gas inizia a produrre sabbia insieme ai fluidi, i granelli possono comportarsi come carta vetrata industriale. Erodono le tubazioni d'acciaio, intasano valvole e separatori, causano fermate non pianificate e possono perfino creare rischi per la sicurezza. Questo articolo esplora come misurazioni migliori di due proprietà fondamentali della roccia — quanto è rigida e quanto facilmente si deforma lateralmente — possano migliorare drasticamente la nostra capacità di prevedere quando e dove i granelli si staccheranno, aiutando l'industria a evitare costose sorprese.

La fisica nascosta della disgregazione della roccia

In profondità, le rocce del giacimento sono compresse dall'enorme peso degli strati sovrastanti, ma devono anche sopportare il trascinamento di petrolio, gas e acqua verso il pozzo. Se la roccia resta coesa o perde granelli dipende fortemente dalla sua rigidità (modulo di Young) e da come si dilata sotto sforzo (rapporto di Poisson). Gli ingegneri spesso stimano queste proprietà indirettamente usando onde sonore e log di densità perché i test di laboratorio completi sui carote sono costosi e lenti. Tuttavia, queste stime indirette esistono in due versioni — dinamica e statica — e i metodi di previsione della sabbia richiedono le versioni statiche per riflettere il comportamento reale del giacimento. La domanda che gli autori si pongono è semplice ma cruciale: quali delle molte formule pubblicate e dei modelli di machine learning per queste proprietà statiche possono essere effettivamente considerati affidabili sul campo?

Mettere alla prova i metodi di previsione più diffusi

I ricercatori hanno assemblato un dataset di 100 campioni di arenaria per i quali il modulo di Young statico e il rapporto di Poisson statico erano stati misurati in laboratorio. Hanno poi utilizzato un'ampia gamma di equazioni empiriche e modelli di machine learning esistenti per ricalcolare queste due proprietà a partire dagli input standard dei log di pozzo, come la densità della roccia e i tempi di percorrenza delle onde di compressione e di taglio. Con queste proprietà stimate, hanno alimentato i risultati in tre strumenti di previsione della sabbia ampiamente utilizzati: l'Indice di Produzione di Sabbia (B), un rapporto tra rigidità al taglio e comprimibilità complessiva (G/Cb) e lo Schlumberger Sand Index (S/I). Confrontando il verdetto sabbia/non sabbia di ciascuno strumento con quello ottenuto dai dati misurati in laboratorio, il team ha potuto vedere quanto errore dipendesse non dal metodo di previsione in sé, ma dalla qualità delle proprietà della roccia in ingresso.

Un modello emerge tra molti

Il confronto diretto ha rivelato uno schema netto. La maggior parte delle formule tradizionali per il modulo di Young e il rapporto di Poisson ha prodotto valori che o correlavano debolmente con le misure di laboratorio o addirittura tendevano nella direzione sbagliata. Quando queste stime imprecise sono state inserite nei tre metodi di previsione della sabbia, l'esito è stato incoerente: alcuni modelli segnalavano rischi di sabbia dove non ce n'erano, mentre altri non rilevavano intervalli chiaramente soggetti a sabbia. In netto contrasto, un modello di regressione a processo gaussiano per il modulo di Young e un modello di deep learning (basato su unità ricorrenti gated) per il rapporto di Poisson, entrambi sviluppati dallo stesso gruppo di ricerca in lavori precedenti, hanno seguito i dati misurati quasi perfettamente. I test statistici hanno mostrato un coefficiente di determinazione vicino a 1 e errori trascurabili. Con questi input accurati, tutti e tre i metodi di previsione della sabbia — B, G/Cb e S/I — hanno fornito risultati sabbia/non sabbia molto vicini ai benchmark basati su misure di laboratorio.

Distinguere meglio i tipi di roccia

Oltre a prevedere la sabbia, gli ingegneri classificano anche la roccia del giacimento come sciolta, debolmente cementata o ben consolidata in base alla rigidità, e come morbida, media o dura in base al rapporto di Poisson. Queste categorie guidano scelte come l'installazione di camicie di ghiaia o filtri più robusti. Lo studio ha mostrato che la maggior parte dei modelli legacy ha assegnato molti campioni alla classe di roccia sbagliata, con il rischio di progettazioni di controllo della sabbia sovra- o sotto-dimensionate. Anche qui i modelli di machine learning si sono distinti, riproducendo per la maggior parte dei campioni le stesse classificazioni basate sulle proprietà misurate. Ciò significa che possono non solo segnalare dove è probabile la sabbia, ma anche fornire un quadro più affidabile del carattere meccanico complessivo del giacimento.

Cosa significa per i pozzi nel mondo reale

Per i non specialisti, il messaggio chiave è che la qualità degli “ingredienti” immessi negli strumenti di previsione della sabbia conta tanto quanto gli strumenti stessi. Usare formule mal calibrate per la rigidità e la deformabilità della roccia può far sembrare un giacimento o più sicuro o più rischioso di quanto non sia realmente, spingendo a interventi costosi e talvolta non necessari. Benchmarkando rigorosamente molti modelli rispetto a misure reali, gli autori dimostrano che alcuni approcci di machine learning accuratamente addestrati possono fornire stime delle proprietà della roccia sufficientemente precise da migliorare notevolmente le previsioni di quando apparirà la sabbia e che tipo di roccia è presente. In termini pratici, questo offre agli operatori una base più affidabile per progettare i pozzi, scegliere strategie di controllo della sabbia e ridurre il rischio che granelli invisibili fermino un progetto da milioni di dollari.

Citazione: 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

Parole chiave: produzione di sabbia, geomeccanica dei giacimenti, modulo di Young, rapporto di Poisson, modelli di machine learning