Melhorando a avaliação da produção de areia por meio da determinação precisa do módulo de Young e do coeficiente de Poisson

Por que a areia em poços de petróleo é um problema sério

Quando um poço de óleo ou gás começa a produzir areia junto com os fluidos, os grãos microscópicos podem agir como uma lixa industrial. Eles erodem tubos de aço, entopem válvulas e separadores, forçam paralisações não planejadas e até criam riscos de segurança. Este artigo explora como medições melhores de duas propriedades básicas da rocha — quão rígida ela é e com que facilidade ela se deforma lateralmente — podem melhorar drasticamente nossa capacidade de prever quando e onde a areia se soltará, ajudando a indústria a evitar surpresas custosas.

A física oculta do desmoronamento da rocha

No subsolo profundo, as rochas do reservatório são comprimidas pelo enorme peso das camadas sobrepostas, ao mesmo tempo em que precisam resistir ao arraste de óleo, gás e água sendo atraídos para o poço. Se a rocha se mantém coesa ou perde grãos depende fortemente de sua rigidez (módulo de Young) e de como ela se deforma sob tensão (coeficiente de Poisson). Engenheiros frequentemente estimam essas propriedades indiretamente a partir de ondas sísmicas e registros de densidade porque testes laboratoriais completos em testemunhos são caros e lentos. Contudo, essas estimativas indiretas existem em duas versões — dinâmica e estática — e os métodos de predição de areia precisam das versões estáticas para refletir o comportamento real do reservatório. A pergunta que os autores fazem é simples, porém crucial: quais das muitas fórmulas publicadas e modelos de aprendizado de máquina para essas propriedades estáticas podem realmente ser confiáveis no campo?

Colocando métodos populares de predição à prova

Os pesquisadores montaram um conjunto de dados com 100 amostras de arenito para as quais o módulo de Young estático e o coeficiente de Poisson estático haviam sido medidos em laboratório. Em seguida, usaram uma ampla gama de equações empíricas existentes e modelos de aprendizado de máquina para reestimarem essas duas propriedades a partir de entradas padrão de poço, como densidade da rocha e tempo de viagem das ondas compressional e de cisalhamento. Com essas propriedades estimadas, alimentaram os resultados em três ferramentas de predição de areia amplamente usadas: o Índice de Produção de Areia (B), uma razão entre rigidez ao cisalhamento e compressibilidade global (G/Cb), e o Índice de Areia da Schlumberger (S/I). Ao comparar o veredicto de cada ferramenta (areia/não‑areia) com o veredicto obtido a partir dos dados laboratoriais medidos, a equipe pôde ver quanto do erro vinha não do método de predição em si, mas da qualidade das propriedades da rocha de entrada.

Um modelo se destaca entre muitos

A comparação direta revelou um padrão claro. A maioria das fórmulas tradicionais para o módulo de Young e o coeficiente de Poisson produziu valores que ou mal se correlacionavam com as medições laboratoriais ou mesmo tinham tendência oposta. Quando essas estimativas ruins foram usadas nas três metodologias de predição de areia, o resultado foi inconsistente: alguns modelos indicaram risco de areia onde não existia, enquanto outros deixaram passar intervalos claramente propensos à areia. Em forte contraste, um modelo de regressão por processo gaussiano para o módulo de Young e um modelo de aprendizado profundo (baseado em gated recurrent units) para o coeficiente de Poisson, ambos desenvolvidos pelo mesmo grupo de pesquisa em trabalhos anteriores, acompanharam os dados medidos quase perfeitamente. Testes estatísticos mostraram um coeficiente de determinação próximo de 1 e erros desprezíveis. Com essas entradas precisas, as três ferramentas de predição — B, G/Cb e S/I — retornaram resultados de areia/não‑areia que se alinharam estreitamente com os benchmarks baseados em laboratório.

Vendo os tipos de rocha com mais clareza

Além de prever areia, os engenheiros também classificam a rocha do reservatório como solta, fracamente cimentada ou bem consolidada com base na rigidez, e como macia, média ou dura com base no coeficiente de Poisson. Essas categorias orientam escolhas como instalar pacotes de cascalho ou telas de areia mais robustas. O estudo mostrou que a maioria dos modelos legados classificou erroneamente muitas amostras, o que pode levar a projetos de controle de areia superdimensionados ou subdimensionados. Novamente, os modelos de aprendizado de máquina se destacaram, reproduzindo as mesmas classificações de tipo de rocha derivadas das propriedades medidas para a maioria das amostras. Isso significa que eles não apenas podem sinalizar onde a areia é provável, mas também fornecer um quadro mais confiável do caráter mecânico geral do reservatório.

O que isso significa para poços do mundo real

Para não especialistas, a mensagem chave é que a qualidade dos “ingredientes” inseridos nas ferramentas de predição de areia importa tanto quanto as próprias ferramentas. Usar fórmulas mal calibradas para rigidez e deformabilidade da rocha pode fazer um reservatório parecer mais seguro ou mais arriscado do que realmente é, levando a intervenções caras e por vezes desnecessárias. Ao comparar rigorosamente muitos modelos com medidas reais, os autores mostram que algumas abordagens de aprendizado de máquina bem treinadas podem fornecer estimativas de propriedades da rocha suficientemente precisas para melhorar fortemente as previsões de quando a areia aparecerá e que tipo de rocha está presente. Em termos práticos, isso oferece aos operadores uma base mais confiável para projetar poços, escolher estratégias de controle de areia e reduzir as chances de que grãos invisíveis um dia paralise um projeto de milhões de dólares.

Citação: 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

Palavras-chave: produção de areia, geomecânica de reservatórios, módulo de Young, coeficiente de Poisson, modelos de aprendizado de máquina