通过准确确定杨氏模量和泊松比来提高产砂评估

为什么油井中的砂是个大问题

当油井或气井在产出流体的同时开始产出砂粒时，这些微小颗粒会像工业级砂纸一样起作用。它们会侵蚀钢管、堵塞阀门和分离器，导致计划外停井，甚至带来安全隐患。本文探讨了对两种基本岩石性质——岩石刚度和横向变形易度——进行更准确测量，如何显著提高我们预测何时何地会发生产砂的能力，从而帮助行业避免代价高昂的意外。

崩解岩石背后的隐性物理

在地下深处，地层被上覆层巨大的重量挤压，同时还要承受向井口流动的油、气和水的牵引。岩石是保持完整还是脱落颗粒，很大程度上取决于其刚度（杨氏模量）和在应力下的侧向膨胀特性（泊松比）。工程师常常通过声波和密度测井等间接手段来估算这些性质，因为在岩心上进行完整的实验室测试既昂贵又耗时。然而，这些间接估算分为两类——动态和静态——而产砂预测方法需要反映真实油藏行为的静态值。作者提出的关键问题很简单但至关重要：在众多已发表的用于估算这些静态性质的公式和机器学习模型中，哪些在现场实际上是可信的？

将常用预测方法付诸检验

研究人员汇集了一个包含100个砂岩样本的数据集，这些样本在实验室中测得了静态杨氏模量和静态泊松比。随后，他们用多种现有的经验方程和机器学习模型，基于常规测井输入（如岩石密度以及纵波和横波传播时差）重新估算这两种性质。用这些估算值，研究团队将结果输入三种广泛使用的产砂预测工具：产砂指数（B）、剪切刚性与总体可压缩性之比（G/Cb）和斯伦贝谢产砂指数（S/I）。通过将每个工具对产砂/非产砂的判断与基于实验室测量的判断进行比较，团队能够观察到误差有多少源自输入岩性参数的质量，而非预测方法本身。

众多模型中的一匹黑马

逐一比较揭示了明显的规律。大多数传统的杨氏模量和泊松比公式给出的数值与实验室测量值几乎无相关性，甚至出现反向趋势。当这些低质量估算被用于三种产砂预测方法时，结果就不一致：一些模型在无产砂的地段发出风险预警，而另一些则错过了明显的易产砂层。形成鲜明对比的是，一种用于杨氏模量的高斯过程回归模型和一种用于泊松比的深度学习模型（基于门控循环单元），二者均由同一研究组在早期工作中开发，几乎完美地跟踪了实验测量数据。统计检验显示决定系数接近1且误差极小。使用这些准确的输入后，B、G/Cb和S/I三种产砂预测方法给出的产砂/非产砂结果都与基于实验室的基准高度一致。

更清晰地识别岩石类型

除了预测产砂外，工程师还根据刚度将储层岩石分类为疏松、弱胶结或良好固结，并依据泊松比将其归为软、中等或硬。这些分类会指导是否安装卵石填充（gravel pack）或更坚固的产砂滤网等决策。研究表明，大多数传统模型将许多样本错误归类，可能导致产砂控制方案过度设计或设计不足。机器学习模型再度表现突出，在大多数样本上再现了与实验测量所得相同的岩性分类。这意味着它们不仅能指示产砂可能出现的区域，还能更可靠地描绘储层总体力学特性。

对实际油井意味着什么

对非专业读者来说，关键信息是：进入产砂预测工具的“原料”质量与工具本身同等重要。使用校准不良的岩石刚度和可变形性公式，可能使油藏看起来比实际更安全或更危险，从而驱动昂贵且有时不必要的干预。通过将大量模型与真实测量数据严格对比，作者展示了少数经过精心训练的机器学习方法可以提供足够准确的岩性估算，从而显著提升对产砂时间和岩性类型的预测。就实际操作而言，这为运行方在井位设计、选择产砂控制策略以及降低因看不见的砂粒而导致数百万美元项目停运的风险方面，提供了更可靠的依据。

引用: 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

关键词: 产砂, 油藏地质力学, 杨氏模量, 泊松比, 机器学习模型