Verbetering van de beoordeling van zandproductie door nauwkeurige bepaling van de Youngs-modulus en Poisson‑verhouding

Waarom zand in olieputten een groot probleem is

Wanneer een olie‑ of gasput zand meelevert met de vloeistoffen, kunnen die kleine korrels als industrieel schuurpapier werken. Ze eroderen stalen leidingen, verstoppen kleppen en scheiders, veroorzaken ongeplande stilstanden en vormen zelfs veiligheidsrisico’s. Dit artikel onderzoekt hoe betere metingen van twee fundamentele gesteenteeigenschappen — hoe stijf het gesteente is en hoe gemakkelijk het zijwaarts vervormt — ons vermogen om te voorspellen wanneer en waar zand losraakt aanzienlijk kunnen verbeteren, zodat de industrie dure verrassingen kan vermijden.

De verborgen fysica van brokkelend gesteente

Diep ondergronds worden reservoirgesteentes samengedrukt door het enorme gewicht van de bovenliggende lagen, terwijl ze ook de trekkracht van olie, gas en water naar een put toe moeten weerstaan. Of het gesteente bij elkaar blijft of korrels verliest, hangt sterk af van de stijfheid (Youngs‑modulus) en hoe het uitzet onder spanning (Poisson‑verhouding). Ingenieurs schatten deze eigenschappen vaak indirect uit geluidsgolven en dichtheidslogs omdat volledige laboratoriumtests aan gesteenteboorstukken duur en tijdrovend zijn. Deze indirecte schattingen bestaan echter in twee varianten — dynamisch en statisch — en methoden voor zandvoorspelling hebben de statische versies nodig om het werkelijke reservoirgedrag weer te geven. De vraag die de auteurs stellen is eenvoudig maar cruciaal: welke van de vele gepubliceerde formules en machine‑learningmodellen voor deze statische eigenschappen zijn in het veld daadwerkelijk betrouwbaar?

Populaire voorspellingmethoden op de proef gesteld

De onderzoekers stelden een dataset samen van 100 zandsteenmonden waarvoor de statische Youngs‑modulus en statische Poisson‑verhouding in het laboratorium waren gemeten. Vervolgens gebruikten ze een breed scala aan bestaande empirische formules en machine‑learningmodellen om deze twee eigenschappen opnieuw te schatten op basis van standaard putlogingangen, zoals gesteentedichtheid en de voortplantingstijd van compressie‑ en schuifgolven. Met deze geschatte eigenschappen vulden ze drie veelgebruikte zandvoorspellingsinstrumenten: de Sand Production Index (B), de verhouding van schuifstijfheid tot de totale samendrukbaarheid (G/Cb), en de Schlumberger Sand Index (S/I). Door het oordeel zand/geen‑zand van elk instrument te vergelijken met het oordeel gebaseerd op gemeten laboratoriumdata, kon het team zien hoeveel fout niet uit de voorspellingstechniek zelf kwam, maar uit de kwaliteit van de invoerwaarden voor de gesteenteeigenschappen.

Één opvallend model tussen velen

De rechtstreekse vergelijking toonde een scherp patroon. De meeste traditionele formules voor Youngs‑modulus en Poisson‑verhouding leverden waarden die nauwelijks overeenkwamen met laboratoriummetingen of zelfs een tegengestelde trend vertoonden. Wanneer deze zwakke schattingen in de drie zandvoorspellingsmethoden werden ingevoerd, waren de uitkomsten inconsistent: sommige modellen wezen zandrisico’s aan waar die niet bestonden, terwijl andere duidelijk zandgevoelige intervallen misten. In scherp contrast daarmee volgden een Gaussian process regression‑model voor Youngs‑modulus en een deep‑learningmodel (gebaseerd op gated recurrent units) voor Poisson‑verhouding, beide eerder ontwikkeld door dezelfde onderzoeksgroep, de gemeten data vrijwel perfect. Statistische toetsen toonden een bepalingcoëfficiënt dicht bij 1 en verwaarloosbare fouten. Met deze nauwkeurige invoer leverden alle drie de zandvoorspellingsmethoden — B, G/Cb en S/I — zand/geen‑zanduitkomsten die sterk overeenkwamen met de op laboratoriummetingen gebaseerde referenties.

Gesteentetypen duidelijker in beeld

Buiten de voorspelling van zand classificeren ingenieurs reservoirgesteente ook als los, zwak gecementeerd of goed geconsolideerd op basis van stijfheid, en als zacht, gemiddeld of hard op basis van Poisson‑verhouding. Deze categorieën sturen beslissingen zoals het wel of niet installeren van grindvullingen of robuustere zandschermen. De studie toonde aan dat de meeste legacy‑modellen veel monsters verkeerd indeelden, wat kan leiden tot over‑ of onderontworpen zandbeheersingsmaatregelen. De machine‑learningmodellen staken er weer bovenuit door voor de meeste voorbeelden dezelfde gesteentetypeclassificaties te reproduceren als die afgeleid uit gemeten eigenschappen. Dit betekent dat ze niet alleen kunnen aangeven waar zand waarschijnlijk is, maar ook een betrouwbaarder beeld geven van het algemene mechanische karakter van het reservoir.

Wat dit betekent voor putten in de praktijk

Voor niet‑specialisten is de kernboodschap dat de kwaliteit van de “ingrediënten” die in zandvoorspellingshulpmiddelen worden gestopt net zo belangrijk is als die hulpmiddelen zelf. Het gebruik van slecht gekalibreerde formules voor gesteentestijfheid en vervormbaarheid kan een reservoir veiliger of riskanter doen lijken dan het werkelijk is, wat leidt tot dure en soms onnodige ingrepen. Door veel modellen rigoureus te benchmarken tegen echte metingen laten de auteurs zien dat een paar zorgvuldig getrainde machine‑learningbenaderingen schattingen van gesteenteeigenschappen kunnen leveren die nauwkeurig genoeg zijn om voorspellingen van wanneer zand zal verschijnen en welk type gesteente aanwezig is sterk te verbeteren. In praktische termen biedt dit exploitanten een betrouwbaardere basis om putten te ontwerpen, zandbeheersingsstrategieën te kiezen en het risico te verkleinen dat onzichtbare korrels op een dag een miljoenenproject lamleggen.

Bronvermelding: 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

Trefwoorden: zandproductie, reservoir-geomechanica, Youngs-modulus, Poisson‑verhouding, machine learning‑modellen