Повышение точности оценки выноса песка за счёт точного определения модуля Юнга и коэффициента Пуассона

Почему песок в нефтяных скважинах — серьёзная проблема

Когда нефтяная или газовая скважина начинает извлекать вместе с жидкостями и песок, мелкие зерна действуют как промышленная наждачная бумага. Они разрушают стальные трубы, засоряют клапаны и сепараторы, провоцируют незапланированные остановки и создают угрозы безопасности. В этой статье рассматривается, как улучшенные измерения двух базовых свойств пород — их жёсткости и склонности к боковой деформации — могут кардинально повысить способность прогнозировать, когда и где зерна оторвутся, помогая отрасли избегать дорогостоящих сюрпризов.

Скрытая физика разрушающейся породы

Глубоко под землёй породы пласта испытывают сильное сжатие от массивного веса вышележащих слоёв, при этом они должны выдерживать тягу нефти, газа и воды, направляющихся к скважине. Будет ли порода держаться или терять зерна, во многом определяется её жёсткостью (модулем Юнга) и тем, как она выпячивается под нагрузкой (коэффициентом Пуассона). Инженеры часто оценивают эти свойства косвенно по сейсмическим волнам и каротажным плотностям, поскольку полные лабораторные испытания керна дорогие и медленные. Однако такие косвенные оценки бывают двух типов — динамические и статические — и для методов прогнозирования выноса песка нужны именно статические параметры, отражающие поведение породы в пластовых условиях. Вопрос, который ставят авторы, прост, но критичен: каким из множества опубликованных формул и моделей машинного обучения для статических свойств можно действительно доверять в полевых условиях?

Испытание популярных методов прогнозирования

Исследователи собрали набор данных из 100 образцов песчаников, для которых в лаборатории были измерены статический модуль Юнга и статический коэффициент Пуассона. Затем они применили широкий спектр существующих эмпирических уравнений и моделей машинного обучения, чтобы повторно оценить эти два параметра по стандартным входным данным каротажа, таким как плотность пород и времена распространения продольных и поперечных волн. Полученные оценки использовали в трёх широко применяемых инструментах прогнозирования выноса песка: Индексе выноса песка (B), отношении сдвиговой жёсткости к суммарной сжимаемости (G/Cb) и Индексе песка Schlumberger (S/I). Сравнивая вердикты каждого инструмента «песок/нет песка» с вердиктами, полученными на основе лабораторных измерений, команда оценивала, насколько ошибка обусловлена не самим методом прогнозирования, а качеством входных свойств пород.

Одна заметная модель среди многих

Прямое сопоставление выявило резкую картину. Большинство традиционных формул для модуля Юнга и коэффициента Пуассона давали значения, которые либо едва коррелировали с лабораторными измерениями, либо шли в противоположном направлении. При подаче таких плохих оценок в три метода прогнозирования выноса песка результат был непоследовательным: некоторые модели указывали на риск выноса там, где его не было, другие пропускали явно склонные к выносу интервалы. В резком контрасте модель гауссовской регрессии для модуля Юнга и модель глубокого обучения (на базе рекуррентных блоков с затворами — GRU) для коэффициента Пуассона, обе разработанные той же исследовательской группой в предыдущих работах, почти идеально повторяли лабораторные данные. Статистические тесты показали коэффициент детерминации, близкий к 1, и пренебрежимо малые ошибки. С этими точными входными данными все три метода прогнозирования — B, G/Cb и S/I — давали результаты «песок/нет песка», которые тесно совпадали с эталонами, основанными на лабораторных измерениях.

Более ясное различение типов пород

Кроме прогнозирования выноса, инженеры классифицируют пластовые породы как рыхлые, слабо цементированные или хорошо уплотнённые по жёсткости, а по коэффициенту Пуассона — как мягкие, средние или твёрдые. Эти категории определяют решения, например, об установке гравийных паков или более прочных пескоуловителей. Исследование показало, что большинство устаревших моделей неверно отнесли многие образцы к неправильному классу пород, что потенциально может привести к избыточной или недостаточной защите от песка. Модели машинного обучения снова выделялись, воспроизводя те же классификации типов пород, что и вычисления на основе измеренных свойств для большинства образцов. Это значит, что они могут не только сигнализировать о вероятности выноса, но и давать более надёжную картину механического характера резервуара.

Что это значит для скважин в реальном мире

Для неспециалистов главный вывод таков: качество «ингредиентов», поступающих в инструменты прогнозирования выноса песка, так же важно, как и сами инструменты. Использование плохо откалиброванных формул для жёсткости и деформируемости пород может сделать резервуар либо безопаснее, либо рискованнее, чем он есть на самом деле, что ведёт к дорогостоящим и иногда излишним вмешательствам. Тщательно сравнивая многие модели с реальными измерениями, авторы показывают, что несколько аккуратно обученных методов машинного обучения могут дать оценки свойств пород с точностью, достаточной для заметного улучшения прогнозов появления песка и определения типа породы. В практическом плане это даёт операторам более надёжную основу для проектирования скважин, выбора стратегий контроля песка и снижения вероятности того, что невидимые зерна однажды приведут к остановке многомиллионного проекта.

Цитирование: 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

Ключевые слова: вынос песка, геомеханика резервуара, модуль Юнга, коэффициент Пуассона, модели машинного обучения