Simulação de Reservatórios de Petroleo

Universidade Federal de Pernambuco
Centro de Tecnologia e Geocincias

Ps-Graduao em Engenharia Civil
Dissertao de Mestrado
Tcnicas de Otimizao da Produo

para Reservatrios de Petrleo:
Abordagens Sem Uso de Derivadas para Alocao
Dinmica das Vazes de Produo e Injeo
Apresentada por:
Diego Felipe Barbosa de Oliveira
Orientador Interno:
zio da Rocha Arajo, D. Sc.
(UFPE/DECIV)
Orientador Externo:
Jos Roberto Pereira Rodrigues, D.Sc.
(PETROBRAS/CENPES)
Recife PE
Agosto de 2006
Tcnicas de Otimizao da Produo para

Reservatrios de Petrleo

Dissertao de Mestrado submetida ao Corpo Docente do Curso
de Ps-Graduo em Engenharia Civil da Universidade Federal de
Pernambuco, como parte dos requisitos necessrios obteno do
grau de Mestre em Cincias em Engenharia Civil.
rea de Concentrao: Engenharia de Reservatrios
zio da Rocha Arajo, D.Sc.

Orientador Interno
Orientador Externo
Recife, Pernambuco, Brasil

c
Diego
Felipe Barbosa de Oliveira, Agosto de 2006
Tcnicas de Otimizao da Produo para

Reservatrios de Petrleo
Dissertao de Mestrado apresentada em Agosto de 2006
zio da Rocha Arajo, D.Sc.

(Orientador Interno)

(Orientador Externo)
Bernardo Horowitz, Ph. D.

(Examinador Interno)
Denis Jos Schiozer, Ph. D.

(Examinador Externo)
Recife, Pernambuco, Brasil, Agosto de 2006
Dedicatria
Dedico este trabalho a meus pais Carlos Alberto e Roberly, que foram sempre os
maiores e mais vibrantes torcedores pelo meu sucesso e sem eles eu no estaria concluindo mais esta etapa da minha vida.
Igualmente a minha irm Karla, amiga e companheira.
iii
iv
Agradecimentos
Esse trabalho teve fases distintas onde encontrei pessoas capazes de contribuir para
o progresso e concluso dessa caminhada. A essas pessoas eu dedico minha mais sincera
gratido.
Ao CNPq pelo suporte financeiro no incio do mestrado.
Ao Professor e Amigo zio da Rocha Arajo por sua orientao nesse trabalho, por
suas lies inestimveis e pela motivao que ele me deu. Seu papel foi importantssimo
em todas as fases pelas quais eu passei durante o andamento desse Mestrado, servindome como um conselheiro amigo para os assuntos mais diversos que me afligiram.
Ao Jos Roberto P. Rodrigues, sempre ao meu lado ao longo desse trabalho, dandome apoio direto e presente nas decises a respeito da pesquisa e se apresentando como
um valioso amigo. Sua competncia incontestvel foi fundamental a esse trabalho.
Ao Antnio Pinto, gerente de Reservatrios na Petrobras, e ao Farid Shecaira,
gerente de Reservatrios no CENPES, por me incentivarem e criarem as possibilidades
para a concluso desse Mestrado. E Petrobras S.A. pelo apoio e infraestrutura
imprescindveis para o desenvolvimento dessa dissertao.
Ao amigo e companheiro de sala Rgis K. Romeu pelas no poucas vezes em que
abusei da sua inteligncia destacada, pedindo auxlio para essa dissertao.
Aos demais colegas da rea de Simulao de Reservatrios do CENPES Celso,
Flvia, Fbio, Portella, Emerick, lvaro, Abel, Flvia Falco e Damiani pela amizade,
exemplo, incentivo e pelos conselhos e ensinamentos dedicados a este trabalho.
Ao Rafael Moraes, que me deu uma ajuda crucial num momento difcil do trabalho
e sua competncia e amizade tiveram reflexos nos resultados finais desse trabalho. E
ao Felipe Portella, Raphaela e Leivison que igualmente contribuiram sobremaneira.
Ao Andrew Conn, Katya Scheinberg e Andreas Waechter pela ajuda e ateno
especiais.
Aos Professores da UFPE com quem pude aprender bastante, em especial a Paulinho, Bernardo, Silvana, Leonardo, Edmilson, Ramiro.
Aos meus amigos, Luis Gustavo, Helena, Gerlcio, Dayana, Aline, Alice, Neyde,
Izabela e Joo, que se mantiveram confiantes no trmino dessa pesquisa e me motivaram
para isso.
A minha famlia que compreendeu minha ausncia em muitos momentos ao longo
desse perodo de trabalho difcil.
A todos meus amigos do CEP-2004 com quem partilhei momentos de descontrao
e, em especial, a Bianca e Juliana que sempre ouviram minhas angstias e alegrias
vi
durante esse trabalho.
Aos colegas do Programa de Pos-graduao, Andr, Gustavo, Juliana, Felipe, Darlan, pela companhia que preencheu muitos de nossos dias.
E principalmente a Deus: inspirao, fortaleza e paz.
"If I have seen further it is by standing on shoulders of Giants."

Isaac Newton (1676)
vii
viii
Resumo
A atividade de Engenharia de Petrleo se v cotidianamente envolvida numa srie de
problemas de otimizao em variados contextos. Em todas as etapas da cadeia de
trabalho da indstria de leo e gs possvel dedicar-se a problemas que necessitam
de otimizao, em maior ou menor escala, com maior ou menor complexidade.
Dentro da Engenharia de Reservatrio, h um grande interesse ligado Otimizao
Dinmica das Vazes de Produo e Injeo dos poos, considerando restries das
vazes totais da plataforma. Esse problema tem sido muito menos abordado do que
outros temas correlatos, como otimizao da locao de poos ou das instalaes de
superfcie.
Foram estudados algoritmos sem uso da informao das derivadas da funo objetivo ou restries com a aplicao de modelos completos de simulao numrica de
reservatrios, intensivos em computao, na busca de respostas quantitativas que levem
em considerao todos os fenmenos importantes para o escoamento. Os algoritmos
utilizados foram o de Nelder-Mead (Simplex ), o de Busca Direta em Padres (Pattern
Search), o Derivative Free Optimization de Conn et al e o Algoritmo Gentico.
Os estudos foram aplicados a dois casos de caractersticas distintas. O primeiro caso
apresenta caractersticas bem simples e de fcil controle. O outro caso de aplicao
um modelo sinttico com propriedades bem realistas com a presena de canais de alta
permeabilidade em meio a regies de baixa transmissibilidade.
Os resultados demonstram a relevncia desse problema, com ganhos de at 22% no
valor presente lquido (VPL) da soluo melhorada em relao a algumas prticas em
uso para o gerenciamento dos campos. Entretanto, o custo computacional para isso
bastante elevado.
Foi observada a homogeneizao da frente de avano da saturao de gua nas
melhores solues encontradas, condizendo com indicaes tericas a esse respeito.
O algoritmo de melhor desempenho foi o Derivative Free Optimization, que obteve
resultados expressivos na funo objetivo com um nmero de simulaes bastante inferior aos demais.
Abstract
Petroleum Engineering daily activities are faced with a series of situations that call for
optimal solutions in dierent contexts. At all phases of Oil & Gas industrys workflow,
it is possible to find out problems which need optimization, in larger or smaller scale,
with more or less complexity.
In reservoir engineering, there exists great interest in studies of Dynamic Optimization of Production Scheduling, considering constraints at platforms total rates. Other
optimization applications in Oil and Gas recovery like well placement or surface facilities have been studied in much more detail than the problem of handling production
and injection rates.
In this work, algorithms without derivatives of objective function or constraints have
been studied by using complete models of numerical reservoir simulations, computer
intensive, searching for quantitative answers taking into account all relevant aspects
of the porous flow. Nelder-Mead Simplex, Pattern Search method, Derivative Free
Optimization by Conn et al and Genetic were the algorithms applied.
Studies were done for two cases with distinct features. The first case has simple
and controllable features. The other application case is a synthetic model with realistic
properties, presenting high permeability channels inside low transmissibility regions.
The relevance of the problem treated in this work is demonstrated by the results,
where gains of up to 20% for the net present value (NPV) were achieved when compared
with typical situations of field management. The computational work, however, was
very high.
In accordance with theoretical indications, it was observed a homogeneous water
saturation front for the better solutions reached by using optimization.
Better performance was achieved by the Derivative Free Optimization approach,
which could obtain expressive results for objective function performing a much smaller
number of simulations when compared to the other algorithms.
ix
Lista de Smbolos
Letras Romanas
B regio de confiana
Bl fator volume de formao do componente l = o, g, w

C matriz de restries lineares e no-lineares
C l custo de manuseio do componente l = o, g, w, wi
Cw custo mdio de perfurao de um poo
Cf,U EP custo fixo da Unidade de Produo
Cv,U EP custo varivel da Unidade de Produo

Capex investimentos (Capital Expenditures)
d taxa de desconto aplicada ao capital
e vetor unitrio
f funo; funo objetivo
F fluxo de caixa
regio vivel
GT tributaes aplicadas produo (Government Take)

I conjunto dos ndices dos poos injetores
kh permeabilidade horizontal
kv permeabilidade vertical
m modelo interpolado de f
n dimenso do espao de solues
np nmero de poos com variveis

nt nmero de intervalos de tempo
N nmero de indivduos da populao do Algoritmo Genetico
Ne nmero de indivduos de elite da populao do Algoritmo

Genetico
Np volume produzido acumulado de leo
Nw nmero total de poos perfurados
Opex custos operacionais (Operational Expenditures)

p ndice que representa o poo genrico p
P conjunto dos ndices dos poos produtores
P l preo de venda do componente l = o, g
xi
Pc probabilidade de ocorrncia de cruzamento
no Algoritmo Gentico
Pm probabilidade de ocorrncia de mutao no Algoritmo

Gentico
q vazo total de liquido em condies de superfcie
q l vazo em condies de superfcie do componente l = o, g, w
Qmax vazo mxima compatvel com a capacidade da Unidade de

Produo
R receita bruta da produo
t ndice que representa o intervalo de tempo genrico t
T tempo de concesso ou horizonte do projeto
Tres temperatura do reservatrio

u varivel de estado
V OIP volume de leo in place

x vetor de variveis
xp,t varivel de controle do poo p no intervalo de tempo t
xlp,t limite inferior da varivel de controle do

poo p no intervalo de tempo t
xup,t
limite superior da varivel de controle do

poo p no intervalo de tempo t
Wi volume injetado acumulado

Y
conjunto de interpolao
xii
Letras Gregas
coeficiente de contrao do algoritmo Simplex
fator de expanso da malha do algoritmo de Busca Direta em

Padres
0 , 1 , 2 fatores de atualizao do raio da regio de confiana no DFO
fator de contrao da malha do algoritmo de Busca Direta em

Padres
constante
coeficiente de reflexo do algoritmo Simplex
fator de reduo da funo objetivo comparada

com reduo do modelo no DFO
coeficiente de retrao do algoritmo Simplex
coeficiente de expanso do algoritmo Simplex
dimenso da malha do algoritmo de Busca Direta em Padres

raio da regio de confiana
ndice
1 Introduo
1.1 Situao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Declarao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1
Delimitaes de Escopo . . . . . . . . . . . . . . . . . . . . . . .
1.3 Escopo da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Reviso Bibliogrfica
2.1 Otimizao na Produo de Petrleo . . . . . . . . . . . . . . . . . . .

2.1.1
Operao do Campo: Instalaes e Equipamentos de Produo

e de Poo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.2
Desenvolvimento do Campo: Locao de Poos . . . . . . . . .
2.1.3
Gerenciamento do Campo: Alocao Dinmica de Vazes de Produo e Injeo . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.2 Otimizao com Simulao . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.3 Otimizao sem Derivadas . . . . . . . . . . . . . . . . . . . . . . . . .
13
3 Formulao do Problema
16
3.1 Produo com Injeo de gua . . . . . . . . . . . . . . . . . . . . . .
16
3.2 Declarao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . .
18
3.2.1
Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2.2
Variveis de Controle . . . . . . . . . . . . . . . . . . . . . . . .
21
3.2.3
Variveis de Estado . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2.4
Restries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
4 Algoritmos e Implementaes
27
4.1 Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
4.1.1
Mtodo de Nelder-Mead - Simplex
. . . . . . . . . . . . . . . .
28
4.1.2
Algoritmo de Busca Direta em Padres - Pattern Search . . . .
32
xiii
NDICE
xiv
4.1.3
Derivative Free Optimization - DFO . . . . . . . . . . . . . . .
36
4.1.4
Algoritmo Gentico . . . . . . . . . . . . . . . . . . . . . . . . .
39
4.2 Implementaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
4.2.1
Entrada de Dados . . . . . . . . . . . . . . . . . . . . . . . . . .
42
4.2.2
Execuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
4.2.3
Sada de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
5 Aplicaes
46
5.1 Casos de Aplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
5.1.1
Caso 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
5.1.2
Caso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
5.2 Comportamento da Funo Objetivo Caso 1 . . . . . . . . . . . . . .
58
5.2.1
Funo Objetivo 1 Varivel de Controle . . . . . . . . . . . .
58
5.2.2
Funo Objetivo 2 Variveis de Controle . . . . . . . . . . . .
63
5.2.3
Funo Objetivo 4 Variveis de Controle . . . . . . . . . . . .
66
6 Resultados
69
6.1 Otimizao do Caso 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
6.1.1
Descrio Geral . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
6.1.2
Comportamento Fsico . . . . . . . . . . . . . . . . . . . . . . .
71
6.1.3
Desempenho dos Algoritmos . . . . . . . . . . . . . . . . . . . .
77
6.2 Otimizao do Caso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
6.2.1
Descrio Geral . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
6.2.2
Comportamento Fsico . . . . . . . . . . . . . . . . . . . . . . .
89
6.2.3
Desempenho dos Algoritmos . . . . . . . . . . . . . . . . . . . .
94
7 Concluses e Trabalhos Futuros
105
7.1 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

7.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Lista de Tabelas
5.1 Resumo das caractersticas do modelo do Caso 1 . . . . . . . . . . . . .
47
5.2 Variveis de Controle para os casos base do modelo do Caso 1. . . . . .
49
5.3 Resumo das caractersticas do modelo do Caso 2 . . . . . . . . . . . . .
52
5.4 ndices de Produtividade (IP) dos Poos Produtores e ndices de Injetividade (II) dos Poos Injetores . . . . . . . . . . . . . . . . . . . . . .
55
5.5 Vazes de Produo e Injeo dos casos base (2A, 2B e 2C) do Caso 2 .
57
5.6 Datas das erupes de gua nos poos produtores do modelo do Caso 2
59
5.7 Valor Presente Lquido dos casos base do Caso 2 . . . . . . . . . . . . .
59
5.8 Parmetros de Controle - intervalo de atualizao da varivel de rateio

de vazo para 1 Parmetro). . . . . . . . . . . . . . . . . . . . . . . . .
61
5.9 Parmetros de Controle - instantes de definio das variveis de rateio

de vazo para 2 Parmetros. . . . . . . . . . . . . . . . . . . . . . . . .
63
5.10 Parmetros de Controle - instantes de definio das variveis de rateio

de vazo para 4 Parmetros e valores timos. . . . . . . . . . . . . . . .
66
6.1 Resumo dos Critrios de Parada do Algoritmos de Otimizao. (1) Nas

aplicaes iniciadas aleatoriamente, restringiu-se a 100 o nmero mximo
de iteraes.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
6.2 Casos de Otimizao: Pontos de Partida. . . . . . . . . . . . . . . . . .
71
6.3 Casos de Otimizao usando Algoritmos Genticos: Descrio. . . . . .
71
6.4 Resumo dos Resultados das Otimizaes: Breakthrough - Resultados

em Ordem Decrescente de Valor Final de Funo Objetivo. . . . . . . .
74
6.5 Resumo dos Resultados das Otimizaes: Desempenho na Funo Objetivo - Resultados em Ordem Decrescente de Valor Final de Funo
Objetivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
6.6 Resumo dos Resultados das Otimizaes: Esforo Computacional. (1)

Nmero mximo de simulaes atingido. (2) Nmero mximo de iteraes atingido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xv
79
LISTA DE TABELAS
xvi
6.7 Casos de Otimizao aplicados ao Caso 2: Pontos de Partida. . . . . .
89
6.8 Casos de Otimizao usando Algoritmos Genticos: Descrio. . . . . .
89
6.9 Resumo dos Resultados das Otimizaes: Breakthrough - Resultados

em Ordem Decrescente de Valor Final de Funo Objetivo. . . . . . . .
91
6.10 Resumo dos Resultados da Otimizaes: Desempenho na Funo Objetivo - Resultados em Ordem Decrescente de Valor Final de Funo
Objetivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
6.11 Resumo dos Resultados das Otimizaes: Esforo Computacional. (1)

Interrupo por Estagnao. (2) Interrupo por Alterao na Mdia
Inferior ao limite. (3) Interrupo por Problemas Tcnicos. . . . . . . .
95
Lista de Figuras
3.1 Comportamento Adimensional da Injeo Acumulada vs a Produo
Acumulada de leo. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
3.2 Representao esquemtica da regio vivel de operao da (UEP). . .
25
4.1 Movimentos Possveis no Algoritmo NM. . . . . . . . . . . . . . . . . .
32
4.2 Movimentos Exploratrios Proximidade do Mnimo Global . . . . . .
33
4.3 Movimentos Exploratrios Influncia do Ponto de Partida . . . . . . .
34
4.4 Sistema de Estudos de Otimizao. . . . . . . . . . . . . . . . . . . . .
43
5.1 Regies de Permeabilidade horizontal para o Caso 1 . . . . . . . . . . .
48
5.2 Caso 1: Curvas de Produo Acumulada de leo para os casos base. . .
50
5.3 Caso 1: Curvas de Corte de gua para os casos base . . . . . . . . . .
50
5.4 Mapa de porosidade do modelo do Caso 2, com locao dos poos . . .
52
5.5 Mapa de permeabilidade do modelo do Caso 2: camadas 1 e 2 . . . . .
53
53
54
5.8 Caso 2: Curvas de Produo Acumulada de leo para os casos base. . .
56
5.9 Caso 2: Curvas de Corte de gua para os casos base. . . . . . . . . . .
56
5.10 Caso 2: leo Produzido e gua Produzida para o grupo dos Casos Base. 58
5.11 Esquema do Intervalo de Atuao do Controle para uma Varivel . . .
60
5.12 Funo Objetivo Caso 1 contraste 3:1, 1 parmetro e resoluo de 1%. .
60
5.13 Funo Objetivo Caso 1 contraste 20:1, 1 parmetro e resoluo de 1%.
61
5.14 Funo Objetivo Caso 1 contraste 3:1: Efeito dos controles secundrios.
62
5.15 Esquema do Intervalo de Atuao do Controle para duas Variveis . . .
63
5.16 Funo Objetivo Caso 1 contraste 3:1, 2 parmetros e resoluo de 2%.
64
5.17 Funo Objetivo Caso 1 contraste 20:1, 2 parmetros e resoluo de 2%.
65
5.18 Funo Objetivo Caso 1 contraste 3:1: Efeito dos controles secundrios.
65
5.19 Esquema do Intervalo de Atuao do Controle para quatro Variveis . .
66
xvii
LISTA DE FIGURAS
xviii
5.20 Sees dos Mximos passando pelos parmetros 1 e 4 . . . . . . . . . .
67
67
68
6.1 Produo Acumulada de leo solues das otimizaes. . . . . . . . . .
72
6.2 Corte de gua para as otimizaes . . . . . . . . . . . . . . . . . . . .
72
6.3 Perfil de Produo do poo P-1 para as otimizaes. . . . . . . . . . . .
73
6.4 Frente de Avano de gua no Breakthrough para Partida das otimizaes. 75

6.5 Frente de Avano de gua no Breakthrough para as otimizaes. . . . .
75
6.6 Tendncia de Perfil de Produo para melhores solues . . . . . . . . .
76
6.7 Mapa de Saturao de gua da tendncia das solues melhores . . . .
77
6.8 Funo Objetivo Final por algoritmo versus Nmero Total de Simulaes
necessrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
6.9 Trajetria da Funo Objetivo: Simplex. . . . . . . . . . . . . . . . . .
81
6.10 Perfil de Produo Inicial e Final caso NMS. . . . . . . . . . . . . . . .
81
6.11 Trajetria da Funo Objetivo: Simplex. . . . . . . . . . . . . . . . . .
82
6.12 Perfil de Produo Inicial e Final caso NMS. . . . . . . . . . . . . . . .
82
6.13 Trajetria da Funo Objetivo: Busca Direta em Padres . . . . . . . .
83
6.14 Trajetria da Funo Objetivo: Busca Direta em Padres. . . . . . . .
84
6.15 Trajetria da Funo Objetivo: Busca Direta em Padres. . . . . . . .
85
6.16 Trajetria da Funo Objetivo: Derivative Free Optimization. . . . . .
86
6.17 Trajetria da Funo Objetivo: Derivative Free Optimization. . . . . .
86
6.18 Trajetria da Funo e Distncia entre Indivduos: Algoritmo Gentico.
87
6.19 Trajetria da Funo e Distncia entre Indivduos: Algoritmo Gentico.
88
6.20 Produo Acumulada de leo para solues das otimizaes. . . . . . .
90
6.21 Corte de gua das Solues Otimizadas e Estimativas Iniciais. . . . . .
90
6.22 Perfil de Produo e Injeo Inicial e Final caso DFO_EQUAL. . . . .
92
6.23 Perfil de Produo e Injeo Inicial e Final caso DFO_IP. . . . . . . .
92
6.24 Perfil de Produo e Injeo Inicial e Final caso PSA_IP. . . . . . . . .
93
6.25 Funo Objetivo Final por algoritmos versus Nmero Total de Simulaes necessrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
6.26 Trajetria da Funo Objetivo: NMS_IP. . . . . . . . . . . . . . . . .
96
6.27 Perfil de Produo e Injeo Inicial e Final caso NMS_IP. . . . . . . .
97
6.28 Trajetria da Funo Objetivo: NMS_EQUAL. . . . . . . . . . . . . .
98
6.29 Trajetria da Funo Objetivo: PSA_IP. . . . . . . . . . . . . . . . . .
99
6.30 Nmero de Simulaes por Iterao: PSA_IP. . . . . . . . . . . . . . .
99
LISTA DE FIGURAS
xix
6.31 Trajetria da Funo Objetivo: PSA_INV_IP e PSA_EQUAL. . . . . 100

6.32 Trajetria da Funo Objetivo: DFO_EQUAL. . . . . . . . . . . . . . 101
6.33 Trajetria da Funo Objetivo: DFO_IP. . . . . . . . . . . . . . . . . . 101
6.34 Trajetria da Funo Objetivo: DFO_INV_IP. . . . . . . . . . . . . . 102
6.35 Trajetria da Funo Objetivo e da Mdia da Populao: EGA_1pp . . 103
6.36 Trajetria da Funo Objetivo, da Mdia da Populao e Distncia:
EGA_5pp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Captulo 1
Introduo
Most government ocials view the mineral wealth of their nations as a
gift from God. And, consistent with that view, waste in any form would be
a sin.
Johnston and Johnston1
Mans longing for perfection finds expression in the theory of optimization.
It studies how to describe and attain what is Best, once one knows how
to measure what is Good or Bad . . . Optimization Theory encompass the
quantitative study of optima and methods for finding them.
Beightler, Phillips and Wilde2
1.1
Situao do Problema
A atividade de Engenharia de Petrleo se v cotidianamente envolvida numa srie de

problemas de otimizao em variados contextos. Em todas as etapas da cadeia de
trabalho, possvel dedicar-se a problemas que necessitam de otimizao, em maior ou
menor escala, com maior ou menor complexidade.
Mais especificamente, a busca por projetos otimizados e eficientes na produo e
desenvolvimento de reservas de petrleo se apresenta como um problema desafiador
dentro da indstria de leo & Gs, uma vez que envolve um nmero muito elevado de fatores (tcnicos, econmicos e estratgicos) e os seus resultados so bastante
1
Johnston, D.; Johnston, D; Maximum Ecient Production Rate; CEPMLP CP3/02;University of
Dundee, Scotland; 2002.

2
Beightler, C.S.; Phillips, D.T.; Wilde, D.J.; Foundation of Optimization; 2a. Edio; Englewood
Clis, NJ: Prentice-Hall; 1979.
Captulo 1. Introduo
compensadores. Alm disso, os projetos de Explorao e Produo (E&P) exigem um

comprometimento de capital muito elevado, por um longo perodo e com elevado risco,
dentro de cenrios de muita incerteza, ratificando o estudo de projetos otimizados.
Entretanto, a despeito da importncia evidente da otimizao dos projetos de Produo e Desenvolvimento, h vrias indicaes de que o termo otimizao dentro da
indstria do petrleo larga e inapropriadamente usado para descrever a anlise de
alguns poucos casos, selecionados com base em experincia e julgamento, com a escolha
do melhor dentre esses casos para um estudo detalhado [24]
A razo desse tipo de procedimento deve residir na extrema dificuldade presente na
resoluo de problemas de otimizao em petrleo, uma vez que se tratam de problemas
frequentemente complexos, com elevado grau de no-linearidade, que apresentam alto
grau de incertezas e enorme custo computacional envolvido [36].
Nesse contexto, h a especial necessidade de gerenciar trs elementos principais: O
Reservatrio, com foco na forma de varrer os fluidos in place; Os Poos, na deciso
sobre a melhor locao para se proceder as perfuraes; Os Equipamentos de Superfcie,
onde os parmetros de operao das unidades de produo devem ser ajustados para
maximizar a recuperao e minimizar os custos.
O objetivo desse trabalho estudar o problema dentro da abrangncia do elemento
Reservatrio, no que se refere Engenharia de Reservatrio, uma vez que os problemas
de otimizao relacionados Locao de Poos e Operao das Unidades de Produo
tm sido bastante estudados nos ltimos tempos. O foco desse trabalho descobrir a
melhor distribuio de vazes entre os poos produtores e injetores capaz de resultar
num projeto de maior benefcio atuando nas vazes de produo e injeo dos poos.
Os Reservatrios de petrleo so em grande parte dos casos estruturas geolgicas
complexas que apresentam heterogeneidades significativas nas propriedades petrofsicas
de fluxo. Para seu desenvolvimento, os reservatrios so interceptados por diversos
poos, tanto produtores quanto injetores. As acumulaes de petrleo possuem originalmente uma energia dita primria, funo do volume e natureza dos fluidos, alm
das presses e temperatura do reservatrio. O incio da produo dissipa essa energia
original e proporciona a perda de produtividade dos poos que pode ser mitigada pela
aplicao de algum mtodo convencional de recuperao secundria [63].
A injeo de gua a prtica mais usual de recuperao secundria e capaz de
garantir a manuteno da presso do reservatrio em nveis desejveis, alm de propiciar
o deslocamento dos hidrocarbonetos dos poros para os poos produtores. Todavia, uma
vez iniciada a injeo de gua, inevitavelmente se ter produo de gua junto com o
Captulo 1. Introduo
leo em nveis crescentes com o tempo, resultando em queda drstica da eficincia de

recuperao.
A situao ideal aquela onde as vazes de produo e injeo so definidas tais que
a taxa com que o leo varrido seja praticamente uniforme no reservatrio, de modo
que nenhum poo produtor venha a produzir o fluido injetado antes dos demais. Esse
fato reportado por Horne [36] e verificado em algumas publicaes, como apresentado
por Zakirov et al [82].
O sucesso desse tipo de abordagem pode trazer um ganho significativo de produo
de leo, associado a um retardo dos custos com tratamento so dois benefcios que
melhoram o retorno econmico do projeto. Tem-se assim uma melhor eficincia de
recuperao, uma vez que se proporciona um melhor varrido do leo. Adicionalmente,
com isso, estende-se o perodo de produo, pois retarda-se a chegada a nveis crticos
de produo de gua e gs, critrios de abandono dos campos normalmente utilizados.
O problema torna-se mais complicado porque o programa de operao dos poos
tem que atender outras restries, em especial as relacionadas com as capacidades e
necessidades de tratamento e exportao de fluidos. Por essas razes, a deciso sobre
com que taxas um grupo de poos de produo e injeo deve operar, compatvel com
as restries inerentes s unidades de produo, um problema claro de otimizao.
Dessa forma, o planejamento da estratgia de produo do reservatrio um problema relevante no desenvolvimento e gerenciamento de campos de petrleo e uma demanda atual e bastante importante no mbito da Engenharia de Reservatrios brasileira.
Observa-se esse fato particularmente para os campos oshore, onde, no passado,
esta atividade era focada no gerenciamento dos poos e no uso intensivo de intervenes,
j que estas eram relativamente baratas. Atualmente, com o aumento do custo das
intervenes e com a reduo do nmero de poos, procura-se instalar equipamentos
que permitam variar remotamente a distribuio das cotas de produo e injeo entre
os intervalos produtores dos poos, visando otimizao da recuperao de todas as
zonas do reservatrio.
O que foi visto acima reflexo da forte tendncia atual ao incremento do uso de
completaes inteligentes em sistemas de gerenciamento digital integrado 3 de campos
de petrleo. O problema de controlar a produo torna-se ainda mais interessante e
a pesquisa de tcnicas automatizadas de otimizao da produo torna-se ainda mais
3
Gerenciamento Digital Integrado um conceito novo dentro do gerenciamento de reservatrios de
petrleo, ligado ao controle em tempo real da operao dos poos de um sistema a partir de dados de
presso de fundo de poo e vazo de lquido obtidos continuamente atravs de medidores permanentes.
Esse tipo de gerenciamento tambm conhecido como os Campos Inteligentes.
Captulo 1. Introduo
importante.
Em se tratando dos campos maduros, estes j vm sendo explotados h muitos anos
e apresentam seus nveis de produo e injeo restritos pela capacidade das unidades
de produo. Nesse contexto, pode-se perceber tambm a necessidade de resolver a
questo de qual a distribuio ideal das vazes dos poos, buscando a estratgia de
produo mais adequada visando conteno ou mesmo reverso do declnio da
produo.
De uma maneira geral, considerada a complexidade do problema exposto e os diversos contextos que demandam por respostas, fica evidente a relevncia do tema e a
pertinncia de seu estudo.
1.2
Declarao do Problema
Usualmente, adota-se uma estratgia que prioriza a mxima produo no comeo do

desenvolvimento do campo, dado que o pico inicial de produo importante do ponto
de vista econmico. Isso ocasiona, em campos heterogneos e anisotrpicos, o contorno
de zonas menos permeveis e antecipao da erupo de gua em alguns poos, exigindo
um gerenciamento reativo para mitigar os problemas decorrentes dessa antecipao.
Do ponto de vista fsico, o problema aqui proposto otimizar a estratgia de produo do reservatrio, focando no fator de recuperao, nos custos ou na economia do
projeto, atravs da proposio de um gerenciamento pr-ativo dos poos manuseando
seus parmetros de operao, em especial suas vazes. Essa postura busca evitar que
ocorram situaes inconvenientes como aquelas descritas acima por efeito da antecipao da produo, alm de promover uma melhora no projeto de desenvolvimento do
campo.
Do ponto de vista matemtico, um problema de otimizao global complexo, altamente no-linear, com muitas restries lineares e no-lineares, dependente no tempo
e com objetivos multimodais [21]. Alm disso, um problema que pode apresentar um
significativo nmero de variveis e um amplo nmero de alternativas, impossibilitando
a simples busca exaustiva das melhores solues, especialmente quando incertezas esto
presentes.
Existem estratgias que avaliam a funo objetivo desse problema especfico sem
usar simulao numrica ou fazendo apenas poucas simulaes [2, 24, 56, 66].
Captulo 1. Introduo
1.2.1
Delimitaes de Escopo
Os modelos desse estudo so considerados sem incertezas, sejam elas geolgicas, econmicas ou de alguma outra natureza. Embora o planejamento sob incerteza seja uma necessidade clara e permanea como um desafio significativo para a indstria [21], este
ser mantido fora da abrangncia dessa pesquisa, por questo de limitao de escopo.
Adicionalmente, a quantidade e locao dos poos produtores e injetores ser assumida definida e conhecida. O problema de otimizao do plano de drenagem (locao
dos poos) j vem sendo bastante estudado e o posicionamento dos poos no ser alvo
de nenhuma ateno especial.
Alm disso, est sendo descartado o uso de algum tipo de proxy ou mesmo mtodos
ou simuladores simplificados, como simulaes com linhas de fluxo ou uso de superfcies
de respostas, para substituir as simulaes. Ento, um importante aspecto do trabalho
identificar oportunidades de superar as restries computacionais relacionadas ao
grande esforo envolvido quando se parte para o uso de otimizao com simulao.
Estar-se- usando um simulador comercial [15] Black-Oil de diferenas finitas para
avaliao do objetivo dentro do processo de otimizao. O uso de um simulador de
diferenas finitas garante que o modelo do reservatrio e a fsica do fluxo de produo
sero honrados. Assim, os problemas inerentes definio e confiabilidade sobre extrapolaes a partir de modelos substitutos no baseados em simulao completa sero
eliminados.
Dessa forma, a proposta estudar o problema de Otimizao Global, com restries
de igualdade, de desigualdade e de limites, apenas com variveis contnuas, acoplado
com simulador de reservatrios Black-Oil [15], sem considerar incertezas. Para isso,
sero abordados algoritmos que no usam a informao das derivadas num contexto
de Otimizao com Simulao (Simulation-based Optimization), onde a utilizao de
simulao numrica para avaliao da funo objetivo aplicada.
Com o intuito de se estudar e comparar alguns algoritmos que no fazem uso das
informaes de derivadas, foi construdo um sistema para otimizao e, para tanto,
escolheu-se o ambiente Matlab como principal.
Essa opo foi baseada na disponibilidade de uma vasta lista de opes de otimizao nos toolboxes do Matlab e nas facilidades de programao e de integrao com
programas externos, como simulador de escoamento em meio poroso. Alm disso a
portabilidade dos scripts preparados no Matlab d flexibilidade para migrar de sistema operacional sem muitos problemas caso se faa necessrio.
Assim, foi constitudo um cdigo bsico dentro do qual foram inseridas as opes
Captulo 1. Introduo
para os algoritmos estudados e avaliados nesse trabalho. Nesse cdigo bsico, tambm
foi implementada a funo matemtica do objetivo do problema a partir de chamadas
do simulador Black-Oil IMEX da Computer Modelling Group Ltd. [15].
O Algoritmo de Nelder-Mead (Simplex) [53], o de Busca Direta em Padres (Pattern
Search) [76], o Derivative Free Optimization (DFO) de Conn et al [17] e o Algoritmo
Gentico [33] foram tratados nessa pesquisa. Esses algoritmos avaliados foram utilizados a partir do Matlab, exceo do Derivative Free Optimization (DFO), que foi
utilizado a partir do pacote Fortran disponvel [13].
Dentro desse contexto, possvel formalizar a declarao sumria do problema
conforme indicado a seguir.
max f (xp,t , u)
(1.1)
xlp,t xp,t xup,t
(1.2)
C(xp,t ) 0
(1.3)
xp,t Rn
sujeito a:
onde:
f a funo objetivo, ou simplesmente objetivo;
xp,t representa as variveis de controle do problema no poo p no intervalo de tempo
t;
u representa as variveis de estado do problema;
xlp,t e xup,t so, respectivamente, os limites inferiores e superiores das variveis de
controle;
C(xp,t ) representa as restries lineares e no-lineares.
Para tratar esse problema, estudos foram aplicados a dois casos de caractersticas
distintas. O primeiro caso apresenta caractersticas bem simples e de fcil controle. O
outro caso de aplicao um modelo sinttico com propriedades realistas com a presena de canais de alta permeabilidade em meio a regies de baixa transmissibilidade.
Dessa maneira, uma vez definido o problema, seu foco e as aplicaes que sero
realizadas, podem-se destacar os objetivos dessa dissertao que so basicamente dois:
Entender o comportamento fsico do problema de otimizao da produo e in-
jeo em campos de petrleo, buscando identificar padres de comportamento e

peculiares da produo otimizada;
Avaliar o desempenho de diversos algoritmos no contexto do problema exposto

aqui, inclusive analisando algoritmos e abordagens que usualmente no tm sido
Captulo 1. Introduo
tratados na indstria do Petrleo. premissa desse trabalho estudar os algoritmos utilizados em suas verses mais bsicas, sem ajustes dos seus parmetros
para ganho de desempenho.
1.3
Escopo da Dissertao
Os demais captulos desse trabalho esto organizados da seguinte maneira.

No captulo 2, feita uma breve Reviso Bibliogrfica, apresentando as diferentes
tcnicas e abordagens j utilizadas para resolver o problema de otimizao da estratgia
de produo de reservatrios de petrleo, alm de discutir o problema da otimizao
com simulao e da otimizao sem uso da informao das derivadas.
A Formulao do Problema descrita no captulo 3. Inicialmente, feita uma
discusso sobre o comportamento fsico do problema de produo com injeo de gua.
Alm disso, so definidos genericamente os componentes do nosso problema (objetivo,
variveis de projeto, restries) e como estes foram considerados na otimizao e no
simulador de fluxo.
Para os objetivos da pesquisa, foi necessrio a Implementao de um conjunto de
scripts para o Matlab e do pacote Fortran do DFO. A estrutura e hierarquia das
implementaes apresentada no captulo 4, onde tambm so descritos os Algoritmos
de otimizao que foram utilizados.
O captulo 5 contm a descrio fsica e numrica dos modelos de reservatrio
utilizados nas Aplicaes. feita tambm uma discusso geral do comportamento do
problema nesse captulo.
Os principais Resultados observados para os testes feitos com os algoritmos avaliados esto apresentados no captulo 6. Dois aspectos relevantes so destacados nesse
captulo: o desempenho comparativo dos algoritmos e o comportamento fsico da melhores solues.
No captulo 7, so encontradas as principais Concluses desse trabalho e so apresentadas recomendaes para Trabalhos Futuros no contexto dessa linha de pesquisa.
Captulo 2
Reviso Bibliogrfica
Dentro do enfoque dessa pesquisa, h trs direcionadores principais inseridos no contexto geral de otimizao que orientam o trabalho:
A Otimizao na Produo de Petrleo;
A Otimizao com Simulao;
A Otimizao Sem Derivadas.
A seguir, sero discutidos aspectos gerais dessas trs grandes reas, destacando
questes especficas ao interesse dessa pesquisa e tentando construir um panorama
para os problemas tratados aqui.
2.1
Otimizao na Produo de Petrleo
A aplicao de diferentes tcnicas de otimizao no ramo de upstream da indstria do

petrleo teve incio na dcada de 50 e vem se desenvolvendo desde ento. A literatura
que trata de problemas de otimizao da produo de petrleo bastante extensa e
percebe-se que o assunto vem continuamente sendo considerado como um grande desafio
para as instituies de pesquisa, as empresas de software e a indstria de explorao e
produo.
H trs grandes linhas de estudo dentro do contexto da otimizao na produo de
petrleo [36]. Uma delas destaca a Operao dos Campos de petrleo, relacionada aos
equipamentos e instalaes de produo e de poos. Uma segunda linha refere-se ao
Desenvolvimento de Campos de petrleo, no que concerne quantidade e distribuio
dos poos de desenvolvimento (no exploratrios).
8
Captulo 2. Reviso Bibliogrfica
A ltima linha relaciona-se ao Gerenciamento de Campos de petrleo atravs da

alocao dinmica das vazes de produo e injeo. Essa linha o foco desse trabalho.
Notadamente, percebe-se que o problema de gerenciamento das vazes de produo
e injeo tem sido muito menos abordado que as outras classes de problema relacionadas
com a indstria do petrleo. Entretanto, nos ltimos anos tem-se percebido uma
ateno maior ao problema de gerenciamento, em especial devido aos progressos na
rea dos campos inteligentes.
2.1.1
Operao do Campo: Instalaes e Equipamentos de

Produo e de Poo
A otimizao do desenvolvimento de um campo de petrleo depende no apenas das

condies do reservatrio, mas tambm da configurao de operao dos poos e dos
equipamentos de superfcie. Em alguns campos, a otimizao da operao de produo
pode ser o fator mais importante para o aumento da produo e a reduo dos custos.
Historicamente, tcnicas grficas so utilizadas para projetar a operao dos poos
[77]. Para um poo nico ou sistemas pequenos, a anlise nodal pode ser adequada. Contudo, em sistemas grandes e complexos, variveis no tempo, abordagens mais
sofisticadas devem ser consideradas para predizer com preciso o comportamento do
sistema de produo e examinar alternativas operacionais de forma eficiente [36].
2.1.2
Desenvolvimento do Campo: Locao de Poos
Para uma boa drenagem dos fluidos e a maximizao do retorno econmico do projeto
de explotao de um reservatrio, fundamental a definio adequada do nmero e
distribuio de poos produtores e injetores. Os modelos clssicos de distribuio de
poos devem ser utilizados apenas nos casos de reservatrios homogneos e isotrpicos,
que so praticamente inexistentes.
Em ambiente oshore, os custos de perfurao e completao dos poos so extremamente elevados (de 10 a 30 milhes de dlares) e a preocupao com a otimizao do
plano de desenvolvimento vital para a viabilidade do projeto.
A dificuldade com a locao de poos o elevado nmero de variveis. Alm disso, a
interao entre essas variveis bastante complexa e no linear. H variveis discretas
(quantidade de poos) combinadas com variveis contnuas (orientao do poo pelo
seu ngulo e comprimento), exigindo processos de otimizao especficos.
H uma extensa literatura sobre esse problema [5, 6, 9, 11, 20, 49, 50, 56, 60], abor-
10
dando diversas metodologias. Dentre essas metodologias, podemos destacar aplicaes

do Recozimento Simulado (Simulated Annealing) [9], uso de algoritmos genticos na
verso original e hibridizada [11], uso do SPSA Simultaneous Pertubation Stochastic
Approximation [6].
2.1.3
Gerenciamento do Campo: Alocao Dinmica de Vazes

de Produo e Injeo
A otimizao do planejamento e gerenciamento dos campos ainda uma rea ativa e

tem sido explorada por vrios autores, com diversas abordagens sugeridas.
Aronofsky e Lee [2] estabeleceram os primeiros princpios para esse tipo de problema
quando apresentaram um modelo de programao linear para maximizar o lucro atravs
do planejamento de produo de um sistema de mltiplos reservatrios homogneos. O
problema foi submetido a restries das presses dos poos a limites possveis bem como
das vazes devido capacidade da linha de escoamento. O reservatrio modelado por
sistemas infinitos com fluxo radial sujeito ao mecanismo de produo por influxo de
gua [63]. So aplicadas formulaes com um poo ou mltiplos poos num processo
de otimizao discretizado no tempo.
Seguindo ao trabalho de Aronofsky e Lee, outros autores trabalharam com a idia
de modelos lineares com outras formulaes como teoria de controle timo [64] e modelo
de programao dinmica [37].
Dentro da idia de tratar o problema como sendo linear, See e Horne [66] apresentaram uma abordagem usando simulao de reservatrios. O processo possui duas
fases principais: modelagem e otimizao. Na modelagem, um modelo linear construdo e calibrado a partir de anlise regressiva de um conjunto de experimentos. A
programao linear utilizada na fase de otimizao.
Em 1998, Pan e Horne [56] apresentaram um estudo investigando dois algoritmos
de interpolao multivarivel (Mnimos Quadrados e Krigagem) para gerar novas realizaes a partir de um nmero limitado de simulaes, objetivando predizer estratgias timas para programao do desenvolvimento do campo. A partir do objetivo
e parmetros definidos, feito um planejamento de experimentos uniformemente distribudos no domnio com simulaes para construo de uma superfcie que modele
o objetivo. Uma otimizao aplicada a essa superfcie e validada por simulao. Se
necessrio, novas simulaes de refinamento so feitas e o processo se repete.
Zakirov et al [82] consideram um problema de encontrar a alocao tima de gs
e gua disponvel lidando com limitao de capacidade para os poos individuais pro-
11
duzindo para uma plataforma de produo comum. O reservatrio produzido segundo

o mecanismo de capa de gs, com injeo na capa. Mtodos baseados na teoria de controle foram utilizados para o clculo dos gradientes da funo objetivo e o mtodo
dos gradientes conjugados [69] foi utilizado para maximizar o objetivo. Os resultados
indicaram que se ter igual razo gs-leo (RGO) para todos os poos, mantendo um
movimento igual da frente de gs, a melhor estratgia.
Nessa linha, Eclipse Technical Description [31] apresenta um mdulo de otimizao
de reservatrios, Reservoir Optimization ResOpt, que utiliza algoritmos baseados no
clculo dos gradientes da funo objetivo a partir do mtodo adjunto. Com esse mtodo
o custo para obteno dos gradientes independe do nmero de variveis envolvidas.
Dessa forma, o mtodo adjunto tem na eficincia sua grande vantagem, porm de
difcil implementao. O uso do simulador como uma caixa preta uma alternativa,
seja para o clculo das derivadas por alguma aproximao, como diferenas finitas, seja
para a aplicao de alguma metodologia de busca direta.
Algumas tcnicas de busca estocstica, em particular os Algoritmos Genticos [33],
foram utilizadas por Harding et al [34]. O alvo do estudo foi um grupo de campos
de leo e gs ligados. A avaliao do objetivo relativamente cara. Segundo a observao dos autores, um bom programa de produo tende geralmente a apresentar um
esquema de plat de produo com declnio subseqente. De acordo com os resultados obtidos, o Algoritmo Gentico apresenta desempenho superior aos outros mtodos
contemplados (Recozimento Simulado e Sequential Quadratic Programming SQP) e
a escolha inteligente dos operadores usados pode garantir significativas melhorias.
Cullick et al [21] apresentaram a otimizao da estratgia de produo de um sistema de mltiplos reservatrios dentro de um ambiente de incerteza com reduo de
risco. O algoritmo de Busca Dispersa Scatter Search [1, 32] baseado em metaheursticas utilizado. Quando h presena de incerteza, simulao de Monte Carlo
considerada para gerar a distribuio da funo objetivo.
So avaliados dois casos sem incerteza e outro considerando incerteza nos parmetros. Os resultados para os casos com e sem incerteza so bastante interessantes, em
especial na gesto de risco. Cullick et al destacam ainda o intensivo uso de computao
com a utilizao de grid-computing, e sugerindo a necessidade de uso de computaes
paralelas.
Em 2003, Thiele e Batycky [74] propuseram uma metodologia para otimizar a injeo de gua utilizando informao de linhas de fluxo. Um poderoso aspecto das linhas
de fluxo a possibilidade de visualizar o fluxo no reservatrio. A partir do conceito
12
de Eficincia de Injeo quanto de leo extra est sendo produzido por unidade de
gua injetada pode-se estabelecer um processo de otimizao capaz de redistribuir
adequadamente a injeo.
Uma metodologia para controle da frente de deslocamento a partir do particionamento das vazes foi apresentada por Fyrozjaee et al [29]. assumido um fluxo potencial com razo de mobilidade unitria, por razo de convenincia matemtica que
pode ser relaxada. Os seus resultados se aplicam diretamente filosofia de controle
pretendida com o gerenciamento digital integrado (campos inteligentes), alm de problemas de otimizao do deslocamento em reservatrios usando controle de vazo, como
proposto nesse trabalho.
As tcnicas de otimizao tm sido amplamente aplicadas na indstria do petrleo.
Devido s limitaes de poder computacional e de tecnologia de simulao, as primeiras
abordagens focavam em metodologias mais simples, baseadas em modelos extremamente simplificados do reservatrio e linearizaes das funes. Mais recentemente,
com o progresso da capacidade computacional e das tcnicas de simulao, tcnicas
mais complexas entraram no escopo das aplicaes.
2.2
Otimizao com Simulao
Quando estamos tratando de problemas de otimizao que envolvem complexos sistemas fsicos, usualmente fazemos referncia expresso Otimizao com Simulao.
Esta uma metodologia que contempla o projeto, anlise e controle desses sistemas
complexos otimizando resultados de simulaes numricas.
Dentro de um processo de Otimizao com Simulao, a simulao precisa ser executada repetidas vezes, obtendo os resultados necessrios ao algoritmo de otimizao.
Essa simulao pode envolver vrios programas independentes encadeados, como por
exemplo, para a nossa situao, um programa de pr-processamento, o simulador de
fluxo em reservatrios de petrleo propriamente dito, um programa de anlise econmica e de risco, entre outros. Tudo isso exigindo ainda algum tratamento adicional para
o clculo dos valores da funo objetivo e restries.
O uso de simulaes para auxiliar a otimizao revela alguns desafios [3]. As
funes so complexas e altamente no-lineares e, alm disso, so funes implcitas
dos parmetros de controle. No h uma expresso analtica das funes e o tempo
gasto numa avaliao substancial.
Dependendo do tipo de algoritmo utilizado, o nmero de avaliaes da funo objeti-
13
vo pode se tornar elevado e impeditivo, uma vez que o esforo individual das simulaes
bastante relevante. Alm disso, nessa classe de problemas que envolvem simulao
comum que as derivadas no estejam disponveis ou seja onerosa sua obteno.
Em vrias reas de conhecimento, pode-se aplicar a metodologia de Otimizao
com Simulao. Para exemplificar, Booker et al [12] estudaram aplicaes usando um
problema de minimizao da vibrao do rotor de um helicptero obtida de um cdigo
de anlise. Trata-se de um cdigo multidisciplinar, envolvendo dinmica de estruturas,
aerodinmica, modelagem de excitao e controles. Para o caso trabalhado, cada avaliao das funes precisava de 20 minutos de uma workstation mediana da poca.
O problema de alocao de vazes se enquadra dentro desse contexto mais geral
de problemas de otimizao com simulao. No enfoque deste trabalho, a Otimizao
com Simulao se apresenta na proposta de buscar a alocao de vazes de produo e
injeo que melhorem o projeto de desenvolvimento do campo, usando para isso uma
simulao numrica de fluxo trifsico em meios porosos para calcular o objetivo.
A modelagem numrica de reservatrio amplamente utilizada dentro do fluxo de
trabalho dos engenheiros de reservatrio. A simulao de reservatrios o nico caminho para descrever quantitativamente o fluxo em reservatrios heterogneos sujeitos
a planos de produo definidos pelas propriedades da rocha, demandas de mercado,
regulaes dos governos e estratgia de investimentos [47].
Os reservatrios de petrleo reais so estruturas complexas, de dimenses elevadas
e com grandes heterogeneidades. A fim de se representar bem as heterogeneidades
existentes, necessrio usar malhas bem refinadas, com grande volume de dados armazenados na memria e elevado nmero de equaes no sistema facilmente superando alguns milhes de equaes [71]. Alm disso, os modelos adotados para o fluxo em
meio poroso produzem sistemas de equaes diferenciais no lineares e dependentes no
tempo, elevando ainda mais o esforo computacional exigido na soluo.
Fica evidente que o esforo computacional requerido pela simulao numrica de
reservatrio bastante elevado quando estamos tratando de casos com dimenses e
caractersticas reais.
2.3
Otimizao sem Derivadas
Existe uma vasta relao de problemas onde a avaliao do objetivo f (x) dispendiosa
e suas derivadas no so fcies de obter seja por f (x) ser fruto de medies fsicas ou
qumicas, seja por ser resultado de alguma simulao computacional muito complexa.
14
A indstria freqentemente apresenta situaes dessa natureza e essa a principal

motivao da abordagem de otimizao sem derivadas.
H poucas estratgias que podem ser consideradas quando se depara com problemas
similares ao descrito acima.
Uma estratgia bastante simples utilizar os mtodos de busca direta, como o
algoritmo Simplex de Nelder-Mead [53] e o de Busca Direta em Padres [76]. Essa
estratgia requer pouco esforo adicional dos usurios, porm exige recursos computacionais substanciais.
Outra abordagem, mais sofisticada, o uso de ferramentas de diferenciao automtica [55]. Contudo, essas tcnicas no podem ser aplicadas quando o cdigo fonte
no disponvel, como no caso de programas comerciais ou proprietrios. Assim, essa
opo impossibilita o tratamento dos programas de simulao como caixas-preta.
Recorrer a aproximaes das derivadas por diferenas finitas com perturbaes pequenas uma terceira possibilidade. Em geral, a avaliao da Hessiana e do gradiente
da funo extremante dispendiosa dada a quantidade de avaliaes da funo objetivo
necessrias para essa aproximao e o custo elevado destas avaliaes, j que envolvem
simulaes. Alm disso, a presena de rudos ou de no suavidade da funo obtida
por simulao numrica constituem-se em um outro problema [40].
Uma outra possibilidade baseada na modelagem da funo objetivo diretamente
ao invs de modelar suas derivadas aplicando a um mtodo de regio de confiana [19].
uma idia bastante interessante, uma vez que substitui a funo custosa por um
modelo substituto muito mais barato. A aplicao das tcnicas de regio de confiana
utilizada por Conn et al [17, 16] segue essa proposta e tem sido utilizado nos problemas
similares aos referidos aqui [18].
As estratgias mencionadas so de natureza determinstica. Outra possibilidade
para tratar a classe de problemas proposta utilizar algoritmos de natureza estocstica que no requerem informaes das derivadas. O Algoritmo Gentico [33] e Recozimento Simulado (Simulated Annealing) [39], ambos inspirados em comportamentos da
natureza, podem ser aplicados.
Os Algoritmos Genticos se baseiam nas teorias da Evoluo dos seres de C. Darwin
e da Gentica de G. Mendel. A partir de uma populao inicial de solues candidatas,
so selecionadas as melhores solues, as mais aptas, num processo evolutivo at que
se obtenha uma soluo tima.
O Recozimento Simulado faz analogia com o processo da fsica da matria condensada de obteno do estado de menor energia de um slido em banho de calor. Neste
15
processo, o slido fundido resfriado to lento quanto necessrio para permitir que
a estrutura cristalina encontre a condio de mnima energia. O Recozimento pode
ser modelado por simulao, utilizando critrios probabilsticos de aceitao de variaes de energia ao longo do resfriamento. Assim, alm da aceitao de estruturas que
diminuam a energia, caminhos que aumentem a energia do sistema tambm podem ser
aceitos, porm com uma probabilidade decrescente com a evoluo do processo.
Captulo 3
Formulao do Problema
Neste captulo sero descritas algumas caractersticas da aplicao fsica de interesse
bem como os elementos do problema de otimizao adequados s especificidades do
problema de alocao dinmica das vazes de produo e injeo.
Inicialmente, ser abordada a prtica de explotao de campos de petrleo utilizando injeo de gua e sua repercusso no problema de interesse desta pesquisa.
Em seguida, para cada um dos elementos (Objetivo, Variveis de Controle, Variveis
de Estado e Restries) ser apresentado o seu papel e significados mais gerais dentro do
contexto da operao dos parmetros de controle dos poos na produo de um campo.
Alm disso, ser mostrado como esses elementos foram efetivamente considerados no
problema de otimizao.
3.1
Produo com Injeo de gua
A produo por injeo de gua tem uma longa histria de aplicaes em vrios campos
no mundo. A injeo de gua o principal mtodo de recuperao secundria devido ao
baixo custo associado ao uso da gua, que abundante, bem como maior estabilidade
do processo se comparado com o uso de gs, por exemplo [23].
No Brasil, a injeo de gua o mtodo mais utilizado como recuperao secundria,
sendo aplicado nos maiores e principais campos das bacias brasileiras.
A injeo de gua usada na produo de petrleo para melhorar e acelerar a
recuperao de leo. Esse mecanismo de produo se aplica com dois propsitos: no
deslocamento do leo para os poos produtores e na manuteno de presso do reservatrio que energiza o sistema.
No que se refere ao deslocamento do leo para os produtores, a razo de mobilidade
16
Captulo 3. Formulao do Problema
17
dos fluidos, as heterogeneidades e a segregao (efeito gravitacional) so os trs fatores

que governam a eficincia de recuperao do leo.
Quanto manuteno da presso, essa uma boa prtica e apresenta algumas
vantagens. Um primeiro ponto se refere energia do sistema, representada pela presso
do reservatrio. Um outro ponto diz respeito manuteno do estado de sub-saturao
do reservatrio, pois isso evita a liberao de gs associado e o aumento rpido da razo
gs-leo (RGO) dos produtores. Em casos de elevada sub-saturao ou em leos muito
viscosos, interessante permitir alguma queda da presso do reservatrio, obtendo
ganhos no fluxo.
A premissa de manuteno de presso se concretiza atravs da reposio dos volumes
produzidos pelos volumes injetados Voidage Replacement.
Bw
X
pI
qpw = Bo
X
pP
qpo + Bw
qpw
(3.1)
pP
onde:
Bw , Bo so os fatores volume de formao da gua e do leo, respectivamente;
qpw , qpo so, respectivamente, as vazes de gua e leo do poo p;
P o conjunto dos ndices dos poos produtores e I o conjunto dos ndices dos
poos injetores.
A premissa de balano de materiais no reservatrio garante que injetar mais implica em produzir mais, conforme indicado pelo carter crescente e montono da curva
volume produzido acumulado de leo (Np ) versus volume injetado acumulado (Wi ),
ambos normalizados pelo volume de leo in place (VOIP). A figura 3.1, adaptada de
Rosa et al [63], esquematiza o comportamento mencionado.
Para uma unidade de produo topada na sua capacidade, a soluo antes da
erupo da gua trivial, onde a linearidade entre produo de leo e injeo mantida: produzir o mximo de leo possvel trar o melhor resultado. Em iguais condies
na plataforma, com a chegada da gua aos poos, tm-se os seguintes aspectos:
Injetar menos por um poo devido elevada produo de gua em algum produtor
no se justifica, pois a reduo da injeo ocasionar a queda de produo global;
O fechamento de algum poo que esteja produzindo gua em demasia, sem alte-
rar a produo dos demais, tambm no se justifica, pois seu fechamento exige
a reduo da cota de injeo para manuteno do balano e igualmente isso
acarretar reduo da produo global.
18
Np
VOIP
Wi
VOIP
Figura 3.1: Comportamento Adimensional da Injeo Acumulada vs a Produo Acumulada de leo. Adaptado de Rosa et al, 2006 [63].
Dentro dessa filosofia, a hiptese de que a condio tima de produo recai em
alguma situao onde as vazes totais so iguais aos limites da plataforma reforada.
No h indicao terica ou comprovao prtica de que ter a plataforma trabalhando nos seus limites de capacidade durante todo o perodo de desenvolvimento
do campo resultar incontestavelmente na melhor opo de operao. Contudo,
difcil imaginar situaes onde pode ser prefervel manter alguns poos fechados em
detrimento da manuteno da vazo total igual ao limite do grupo. De qualquer forma,
trata-se ainda de um problema aberto.
Experincias numricas de otimizao indicam que a tendncia do processo de
obteno de solues melhores aponta para topar a capacidade da plataforma [82].
Dessa forma, h muitas indicaes de que formular o problema com variveis de
controle que resultem na operao da plataforma em seus limites conduz o problema
para uma condio de maior proximidade da soluo que otimiza o objetivo.
3.2
Declarao do Problema
Conforme foi discutido no Captulo 1 deste trabalho, possvel formalizar a declarao

do problema de uma maneira mais geral conforme indicado nas equaes 1.1 a 1.3.
Os principais elementos envolvido na declarao do problema so o Objetivo, as
19
Variveis de Controle, as Variveis de Estado e as Restries. Esses elementos esto

descritos adiante.
3.2.1
Objetivo
De uma maneira geral, a funo objetivo utilizada nos problemas de otimizao da

explotao de um campo de petrleo est relacionada produo propriamente dita
ou a economia do projeto.
Sob o foco da produo de petrleo, podemos buscar a maximizao da produo
acumulada de leo ou a manuteno da capacidade de uma linha de exportao pelo
maior tempo possvel, por exemplo. Do ponto de vista da economia do projeto, a lucratividade usualmente escolhida como indicador, onde se pode buscar a maximizao
do valor presente lquido (VPL), da taxa interna de retorno (TIR) ou algum outro
ndice econmico de interesse.
Em algumas abordagens que consideram a presena de incertezas geolgicas ou
econmicas, possvel adotar indicadores de risco como objetivo. Normalmente, esse
indicador de risco se refere ao desvio mdio padro de algum parmetro geral do projeto,
como valor presente lquido ou a produo acumulada de leo.
Tipicamente para a maioria das aplicaes, as funes objetivo adotadas esto associadas a algum parmetro econmico ou financeiro, em especial o valor presente lquido
(VPL). Entretanto, possvel construir formulaes que considerem combinaes entre
VPL e reservas, atribuindo diferentes pesos a cada um deles dependendo da importncia que se queira dar a um ou a outro [24]. Entretando, importante destacar que a
utilizao de funes com multi-atributos confere a funo objetivo mais mninos locais.
Outra abordagem possvel tratar o problema como uma otimizao multi-objetivo ou
multi-critrio [51, 67].
Para mantermos o foco da pesquisa, ser utilizado aqui exclusivamente o valor
presente lquido (VPL) do fluxo de caixa da operao do campo como objetivo do
problema (equao 3.2).
f (xp,t , u) =
T
X
=0
1
F (xp,t , u)
(1 + d)
(3.2)
onde:
d a taxa de desconto aplicada ao capital;
T o tempo final (horizonte de tempo do projeto ou tempo de concesso do projeto);
20
F o fluxo de caixa no tempo , tal que:

F = R (Capex + Opex + GT )
R =
l=o,g
(3.3)
Pl ql t;
Capex = Nw Cw + Cf,U EP + Cv,UEP Qmax , i ;

P
Opex = l=o,g,w,wi Cl ql t;
GT (Government Take) so as tributaes aplicadas ao projeto no tempo .
Onde:
P l a preo de venda do leo (o) ou do gs (g);
q l a vazo de produo de leo (o) ou gs (g), em termos das receitas, e a vazo
de leo (o), gs (g), gua produzida (w) e gua injetada (wi), em termos dos custos;
Nw o nmero de poos perfurados;
Cw o custo mdio de perfurao de um poo. Pode assumir valores diferentes para
tipos distintos de poos;
Cf,UEP o custo fixo da Unidade Estacionria de Produo;
Cv,UEP o custo varivel da Unidade Estacionria de Produo;
Qmax a vazo mxima compatvel com a Unidade Estacionria de Produo;
C l o custo de manuseio do leo (o), gs (g), gua produzida (w) e injetada (wi);
t o intervalo de tempo considerado.
Efetivamente, est sendo utilizada uma verso simplificada do VPL, levando a efeito
apenas as receitas provenientes do leo, bem como os custos de produo e injeo.
A premissa do plano de desenvolvimento dos reservatrios ser considerado fixo e o
fato da unidade de produo tambm ser constante implica em todos os parmetros do
investimento inicial serem os mesmos para todos os casos que sero estudados dentro
de um mesmo modelo. Dessa forma, tratando-se de uma parcela constante, o valor
do Capex ser adotado igual a zero nesse VPL simplificado, sem qualquer perda de
generalidade ou de qualidade desse estudo.
Existem pacotes econmicos mais complexos (por exemplo, TarRot; Bittencourt
[10]) que podem substituir essa verso simplificada do VPL. Dentro da abordagem
de Otimizao com Simulao, o acoplamento de um programa de anlise econmica
segue a mesma filosofia, podendo o pacote ser tratado como uma caixa preta onde
so passados apenas os dados de entrada necessrios (curvas de produo e injeo,
quantidade e programa de perfurao de poos, custos associados etc) e coleta-se o
resultado de VPL final.
Apenas pela convenincia de no criar mais uma interface com programa externo,
21
estamos adotando uma verso simplificada de VPL, de modo que nosso objetivo ser
definido segundo a equao 3.2.
3.2.2
Variveis de Controle
Os simuladores de fluxo [15, 31] apresentam uma estrutura hierrquica para controlar
os poos dos modelos. Essa estrutura indica as regras de prioridade na atuao dos
diversos controles e nesse estudo precisa ser definida de acordo com a proposta do
problema
As vazes nos poos em diferentes tempos ao longo da simulao so as variveis de
controle idealizadas para o problema tratado nesse trabalho. Para esse controle dentro
do modelo de simulao, deve-se atuar em algum parmetro que possa modificar a
vazo dos poos direta ou indiretamente.
possvel atuar diretamente sobre a definio da vazo dos poos ou sobre as
presses de fundo de poo (bottom hole pressure BHP). Tambm se pode trabalhar
com a presso na cabea de poo (well head pressure WHP) para atuar nas vazes,
entretanto isso exige a considerao do fluxo vertical multifsico atravs do poo e das
linhas.
O Eclipse Technical Description [31] recomenda fortemente o uso das presses de
fundo de poo como varivel da otimizao em um primeiro momento, pois a taxa de
produo ou injeo dos poos se torna insensvel definio de vazo quando atingido
algum controle de presso de fundo de poo estabelecido. Ao se usar a presso como
varivel de controle, o parmetro apenas se tornar insensvel no caso do poo ser
fechado, evento muito menos freqente.
Entretanto, na prtica no existe uma maneira de controlar diretamente a presso
de fundo de poo, sendo ela conseqncia do controle de algum outro elemento e apenas
passvel de medio. Em contrapartida, as vazes desejadas podem ser obtidas facilmente na operao atravs do ajuste da abertura dos chokes na superfcie, de maneira
que as vazes de produo e injeo aparecem naturalmente como opo de variveis
de controle.
Dessa forma, a opo escolhida foi controlar diretamente a vazo dos poos a cada
intervalo de tempo atravs do rateio em relao capacidade do grupo, onde os poos
esto ligados. Dessa forma, podemos definir nossas variveis segundo a frmula.
qp,t
xp,t = P
, t = 1..nt (Para os poos Produtores)
qp,t
pP
(3.4)
qp,t
, t = 1..nt (Para os poos Injetores)
xp,t = P
qp,t
22
(3.5)
pI
onde:
qp,t a vazo do poo p no intervalo de tempo t;

nt o nmero de discretizaes do tempo total de operao;
P
p qp,t a vazo total dos poos no tempo t, igual capacidade da plataforma.
P o conjunto do ndices dos poos produtores e I o conjunto do ndices dos
poos injetores.
O total de variveis de controle para essa formulao do problema igual ao nmero
de intervalos de tempo (nt ) multiplicado pelo nmero de poos com variveis (np ).
Foram utilizadas as opes GUIDEP e GUIDEI [15], do simulador Black-Oil Imex,
para definir no modelo de simulao as variveis de controle conforme equao 3.4 e
3.5.
Com a opo GUIDEP se especifica o rateio para distribuio das vazes de produo de grupos ou poos de modo a atender a uma meta para vazo total de produo
seja de lquidos ou de leo.
Similarmente, a opo GUIDEI especifica o rateio para distribuio das vazes de
injeo de grupos ou poos de modo a atender a uma meta para vazo total de injeo
de fluidos seja gua ou gs.
Conforme discutido na seo anterior, a utilizao dessa definio das variveis de
controle, resulta numa condio mais prxima da soluo almejada.
Adicionalmente, o emprego dos rateios de vazo como variveis promove a reduo
de um grau de liberdade do problema para cada intervalo de tempo por cada grupo de
poos. Uma vez que o grupo de poos produz ou injeta a capacidade deste, o rateio de
um dos poos torna-se dependente dos demais e pode ser obtido diretamente.
3.2.3
Variveis de Estado
So parmetros que no podem ser controlados e em muitos casos tm seus valores

com alguma incerteza. Definem e individualizam o modelo sem estar sendo controladas
para a obteno do valor da funo objetivo. Podem ser variveis definidas para subsuperfcie ou para superfcie. Podem ainda ser categricas ou contnuas.
Tipo e locao dos poos, caractersticas geolgicas do modelo, propriedades petrofsicas da rocha e propriedades dos fluidos, propriedades de interao rocha-fluido, alm
23
de parmetros econmicos como preo do brent de leo, preo do gs e inflao so

algumas variveis de estado do problema que se pode destacar.
Em caso de presena de incerteza em alguma dessas variveis, uma distribuio de
probabilidade deve ser a elas associada. Especificamente para este trabalho, no est
sendo considerada incerteza de nenhuma natureza e, portanto, no haver probabilidade atribuda a nenhuma varivel.
As variveis de estado aliadas a um conjunto de variveis de controle nos fornecem
elementos que geram o campo de presses de leo nos poros e saturaes de gua e gs
num modelo Black-oil em todos os blocos da malha de simulao em todos os tempos.
3.2.4
Restries
A operao de campos de petrleo normalmente est sujeita a mltiplas restries, de

natureza econmica, de segurana industrial ou de capacidades. Segundo Magalhes e
Schiozer [48], os limites de produo referentes s restries operacionais tm influncia
na definio da estratgia de produo, uma vez que afetam diretamente as curvas de
produo e o retorno financeiro.
Segurana e Economia
Por razes de segurana industrial, pode ser necessrio definir limites mximos ou
mnimos de presso no fundo ou na cabea do poo. Do mesmo modo, por razes
econmicas pode ser necessria a definio de valores mnimos ou mximos de vazes
dos lquidos [80].
Condies limitantes desse tipo caracterizam restries de limite.
Na nossa formulao, no esto sendo considerados diretamente os limites nas
presses no fundo ou na cabea do poo. Assim, para garantir o atendimento dessas
condies, as variveis de controle so mantidas dentro de um intervalo compatvel
com nveis razoveis de presso. Adicionalmente, as variveis de controle no podem
assumir valores negativos, podendo at ser nulas, e no mximo podem assumir um
valor compatvel com o potencial de produo ou injeo individual dos poos.
Assim, se um poo individualmente pode alcanar uma vazo igual 20% da capacidade de operao da plataforma, a varivel de controle correspondente a esse poo
poder assumir valores entre 0% (zero) e 20%, em todos os intervalos de tempo, por
exemplo.
Esses limites inferiores e superiores so atribudos, respectivamente, a xlp,t e xup,t
(equao 1.2);
24
Capacidade das Instalaes de Produo

Os sistemas de produo sempre apresentam algum tipo de restrio de capacidade, como se constata em diversos casos. Por exemplo, o campo de Albacora Leste produzido
para a unidade P-50, um navio FPSO (Floating, Production, Storage and O-loading)
cuja capacidade de 180.000 bbl/dia de leo mais de 28.500 m3 /dia [43].
A razo para a existncia dessas restries que no momento quando projetada e
instalada a unidade de produo bastante incipiente no processo de desenvolvimento
do reservatrio onde as informaes so escassas e repletas de incertezas. Assim, o
dimensionamento segue critrios que consideram o risco de super-dimensionar as instalaes frente s incertezas.
Fang and Lo (1995 apud [48])1 afirmam que, em caso de a unidade de produo ser
super-dimensionada, a limitao do sistema pode ser irrelevante. Todavia, adotar um
sistema com essas caractersticas tende a no ser vivel devido aos elevados custos.
Assim, podemos sumarizar as restries usuais de capacidade como sendo aquelas
devido capacidade de tratamento ou processamento dos fluidos produzidos (leo,
gua e lquidos totais) e devido capacidade de compresso de gs.
Esse tipo de limitao representa bem restries em desigualdade.
A figura 3.2 esquematiza as restries ao lquidos produzidos e seus efeitos na operao usual de um sistema de produo ao longo do tempo.
Conforme a figura 3.2, a operao se inicia no instante t1 , quando aberto o primeiro
poo produtor. A partir desse momento, os demais poos produtores vo sendo abertos
e a vazo de leo produzido vai crescendo at o instante t3 , onde se atinge a capacidade
ao leo da Unidade Estacionria de Produo (UEP). Eventualmente, possvel que
se inicie a produo de gua (instante t2 ) antes da que se atinja o limite ao leo, a
depender do arranjo dos poos, das heterogeneidades e outros aspectos do reservatrio.
A produo de leo permanece inalterada e igual ao limite de produo de leo at
que a vazo de gua alcane nveis tais que a produo total de lquidos se iguale
capacidade ao lquido (instante t4 ). Outra possibilidade para que a produo de leo
se reduza no se conseguir manter uma presso suficiente para a produo.
Uma vez iniciada a produo de gua, ela s tende a crescer mais ou menos
veloz a depender das caractersticas do reservatrio de modo que a operao da UEP
caminha em algum nvel de vazo de lquido com cada vez menos leo sendo produzido.
Quando a gua produzida for tal que se atinja a capacidade de tratamento da gua
1
FANG, W.Y.; LO, K.K; A Generalized Well Management Scheme for Reservoir Simulation. SPE
29124; 1995.
qw
bsw = aband
qwLIM
t6 t5
25
Legenda:
qLLIM
bs
w
...
limites de operao
da UEP
5
0,
=
w
...
bs
=
w
s
b
tn
produo (qo, qw)

entre tempos tn e tp
linhas de iso-bsw
L
LI
M
linhas de iso-qL
t4
t1
tp trajetria de
t2
qLLIM
t3
qoLIM qo
Figura 3.2: Representao esquemtica da regio vivel de operao da unidade estacionria de produo (UEP). FONTE: Adaptado de Romeu, R.K.; 2006 [62].
(instante t5 ), esse nvel ser mantido enquanto a frao de gua produzida em relao
ao total produzido, representada pelo BSW (basic sediments and water), for inferior a
um valor de abandono. Nesse instante (t6 ), a operao da UEP finalizada.
Estamos trabalhando neste problema apenas com restries vazo total de lquido
produzido e vazo total de injeo. Em funo das variveis de controle do problema, que garantem que esses limites sero alcanados, ento temos duas restries em
igualdade no problema.
X
o
w
+ qp,t
qp,t
= Ql. max , t = 1..nt
pP
X inj
qp,t
= Qinj. max , t = 1..nt
(3.6)
(3.7)
pI
onde P o conjunto do ndices dos poos produtores e I o conjunto do ndices dos

poos injetores.
Essas restries so tratadas implicitamente na formulao do problema.
Exposto genericamente os diversos elementos que compoem o problema de otimizao estudado nessa pesquisa, possvel ento declarar formalmente o problema conforme apresentado a seguir:
Funo Objetivo
f (xp,t , u) =
T
X
=0
1
F (xp,t , u)
(1 + d)

Variveis de Controle
qp,t
, t = 1..nt (Para os poos Produtores)
xp,t = P
qp,t
pP
qp,t
xp,t = P
, t = 1..nt (Para os poos Injetores)
qp,t
pI
Restries de Limite
xlp,t xp,t xup,t

Restries em Igualdade
X
o
w
+ qp,t
qp,t
= Ql. max , t = 1..nt
pP
X inj
qp,t = Qinj. max , t = 1..nt
pI
26
Captulo 4
Algoritmos e Implementaes
However I believe that eventually the better methods will not use derivative
approximations. ( . . . ) One reason for my belief comes from the relatively easy problem of solving a single nonlinear equation. Here I think it is
fair to compare the secant method with the Newton-Raphson method. The
secant method require one function evaluation per iteration and has a convergence rate of 1.618 per function value ( . . . ) while the Newton-Raphson
method requires one function and one derivative value per iteration and
has quadratic convergence. Therefore, if an extra function value is used to
estimate the derivative in the Newton-Raphson iteration, the mean rate of
convergence per function value is about 1.414 which is not as good as the
secant method.
M.J. Powell1
4.1
Algoritmos
Neste trabalho sero estudados algoritmos de otimizao que no utilizam informaes

das derivadas no seu processo de busca da soluo. Os algoritmos que sero abordados
aqui so:
Nelder e Mead (Simplex );
Busca Direta em Padres (Pattern Search);
Derivative Free Optimization (DFO) de Conn et al e;
1
M.J.D. Powell; Unconstrained minimization algorithms without computation of Derivatives; Bol-
lettino della Unione Matematica Italiana, 9:60-69; 1974.
27
Captulo 4. Algoritmos e Implementaes
28
Gentico.
Os dois primeiros algoritmos se enquadram na classe de mtodos de busca direta,
o DFO utiliza modelagem da funo objetivo dentro de uma regio de confiana e o
Gentico um algoritmo baseado em regras estocsticas.
Como premissa do trabalho, todas as abordagens que foram tratadas nessa pesquisa
foram feitas considerando as verses padro de cada um dos algoritmos. No foi realizado nenhum ajuste ou melhoramento nos parmetros que definem cada um dos mtodos.
Dessa maneira, o desempenho que ser observado para os algoritmos no representa o
mximo potencial de cada um, mas fornecer indicaes do comportamento dos mtodos diante do problema considerado nesse estudo.
4.1.1
Mtodo de Nelder-Mead - Simplex
O mtodo Simplex para soluo de problemas de otimizao no restritos foi apresentado pela primeira vez por Spendley et al (1962 apud [44])2 motivados pela observao de
que no mais que n + 1 pontos so necessrios para identificar uma direo de descida,
diferente dos 2n pontos usados em outros mtodos anteriores de busca direta, onde n
a dimenso do espao de solues.
Em 1965, J.A. Nelder e R. Mead [53] deram sua contribuio com a incluso de
movimentos adicionais para acelerar a busca. Desde ento o mtodo Simplex, ou mtodo de Nelder-Mead (NM ), tornou-se um dos mtodos mais usados para problemas
no-lineares e sem restries, com forte aplicao na qumica, engenharia qumica e
medicina [42]. importante no confundir esse mtodo com o talvez mais famoso algoritmo Simplex para programao linear, pois, alm de resolverem problemas distintos,
so completamente diferentes e no relacionados, apesar de ambos usarem conceitos
geomtricos de um simplex.
O mtodo Simplex no usa a informao de gradientes da funo objetivo - nem
implcita nem explicitamente - e se enquadra numa subclasse de mtodos de busca
direta que mantm a cada iterao um simplex no-degenerado, isto , uma figura
geomtrica n-dimensional de volume no nulo. Se n a dimenso do problema de
otimizao, ento um simplex no espao n-dimensional caracterizado por n+1 vetores
distintos que so os seus vrtices. Em 2D, um simplex um tringulo; em 3D, um
tetraedro. A partir de um simplex no degenerado forma-se uma base para um espao
vetorial de dimenso n [44].
2
Spendley, W.; Hext, G.R.; Himsworth, F.R.; Sequential Application of Simplex Designs in Opti-
misation and Evolucionary Operation; Technometrics, 4: pp. 441-461; 1962.
29
Simplificadamente, cada iterao inicia com um simplex, especificados pelos seus

n + 1 vrtices associados aos correspondentes valores da funo objetivo. Tipicamente,
um ou dois novos pontos so computados e comparados com os vrtices do simplex
atual. Ento, a iterao termina com um novo simplex que satisfaz alguma condio
de descida comparada com a figura original.
Existem muitos comentrios a respeito do mtodo NM, indicando que ele trabalha bem em espaos de dimenso baixa e que pode falhar para dimenses elevadas.
Entretanto, h poucas anlises tericas publicadas relacionadas com o algoritmo NM
original. Os poucos fatos conhecidos consistem principalmente de resultados negativos,
onde o algoritmo converge para pontos que no so mnimos mesmo para funes
estritamente convexas em duas dimenses [42].
O fato que, apesar das deficincias tericas, o algoritmo NM muito usado por
algumas razes prticas. Primeiramente, a despeito da falta de garantias de convergncia, em muitas aplicaes est-se procurando apenas alguma melhoria da funo e isso
observado em diversos resultados do algoritmo NM. Alm disso, o NM requer substancialmente poucas avaliaes da funo objetivo por iterao se comparada com a
aproximao de gradientes por diferenas-finitas. Isso bastante vantajoso nos casos
onde o esforo de clculo da funo elevado. Outro ponto que torna o algoritmo NM
atraente para muitos usurios a simplicidade de suas etapas, sendo extremamente
fcil de programar. Entretanto, trata-se de um algoritmo tipicamente seqencial, com
pouco espao para aplic-lo com processamento paralelo.
O Algoritmo de Nelder-Mead
O algoritmo NM aplicado para minimizao de funes reais. Quatro parmetros
devem ser especificados para a completa definio do mtodo de NM: os coeficientes
de reflexo (), expanso (), contrao () e retrao (). Esses parmetros devem
satisfazer s condies
> 0, > 1, 0 < < 1, 0 < < 1
(4.1)
A escolha mais adotada dos parmetros do algoritmo est indicada a seguir e ser
considerada nos estudos realizados nessa pesquisa com este algoritmo:
1
1
= 1, = 2, = , =
2
2
(4.2)
O mtodo NM deve ser inicializado por n + 1 pontos, e no por um nico ponto.

Se existir um ponto dito de partida, x0 , os demais pontos podem ser definidos a partir
30
de relao definida na equao:

xi = x0 + ei
(4.3)
Onde ei so n vetores unitrios e uma constante escolhida em funo das

caractersticas de escala do problema [61].
Algoritmo: Nelder-Mead Simplex
Passo 0 : Inicializao
Dados: x0 um ponto inicial; ei vetores unitrios; K, mximo nmero de iteraes;
diam()min , tolerncia no dimetro do simplex no degenerado; , tolerncia na variao da funo f (x, u).
Definir:
xi = x0 + ei ;
k = 0, contador de iteraes;
Passo 1 : Ordenamento
Ordenar os n + 1 vrtices satisfazendo a condio f (x1 ) f (x2 ) . . . f (xn )
f (xn+1 ), usando regras de desempate apropriadas.
Assim, f1 = f (x1 ) o melhor ponto e fn+1 = f (xn+1 ) o pior.

Passo 2 : Reflexo
Calcular o ponto de reflexo xr a partir de
Onde x =
Pn
+ (
x xn+1 ) = (1 + ) x
xn+1
xr = x
(4.4)
fr = f (xr )
(4.5)
xi
i=1 n
o centride dos n melhores pontos.
Se f1 < fr < fn , aceita-se o ponto refletido, k = k + 1, terminar iterao e ir para

o Passo 2.
Passo 3 : Expanso
Se fr < f1 calcular o ponto de expanso xe
xe = x
+ (
x xn+1 ) = (1 + ) x
xn+1
(4.6)
fe = f (xe )
(4.7)
Se fe < fr , aceita-se xe , terminar iterao e ir para o Passo 2. Caso contrrio,

aceita xr , k = k + 1, terminar iterao e ir para o Passo 2.
Passo 4 : Contrao
31
Se fr fn , procede-se uma contrao entre x

e o melhor ponto ou entre xn+1 e xr .
Passo 4.1 : Contrao Externa
Se fn fr < fn+1 , calcular
+ (
x xn+1 ) = (1 + ) x
xn+1
xc = x
(4.8)
fc = f (xc )
(4.9)
Se fc < fr , aceita-se xc , k = k + 1, terminar iterao e ir para o Passo 2. Caso

contrrio, ir para Passo 5.
Passo 4.1 : Contrao Interna
Se fn+1 fr , calcular
(
x xn+1 ) = (1 ) x
+ xn+1
xcc = x
(4.10)
fcc = f (xcc )
(4.11)
Se fcc < fn+1 , aceitar xcc , k = k + 1, terminar iterao e ir para o Passo 2. Caso
contrrio, ir para Passo 5.
Passo 5 : Retrao
Calcular f nos n pontos vi = xi + (xi x1 ), k = k + 1 . Esses n pontos aliados
ao ponto formaro o simplex da prxima iterao.

Passo 6 : Terminao
Se f1k+1 f1k , diam (k ) diam ()min ou k > K, terminar.

Fim do Algoritmo
A Figura 4.1, apresenta esquematicamente os movimentos possveis numa iterao

do algoritmo NM, cujos procedimentos de construo esto descritos na declarao do
algoritmo.
Conforme mencionado, o Simplex tem por objetivo minimizao irrestrita. Para
considerao de restries, como as presentes neste estudo, foi utilizado o conceito
funo barreira. s solues candidatas que estiverem fora do domnio vivel das
variveis sero atribudos valores extremamente elevados de funo objetivo.
A definio usual de funes barreira tem a propriedade de tornar a funo infinita
fora da regio vivel, garantindo suavidade dentro desta. Para isso, gradualmente se
vai penalizando a funo original at que esta se torne infinita nos contornos. A mais
importante funo barreira a funo barreira logartmica [55].
32
Simplex inicial
Pior
Ponto
Melhor
Ponto
Reflexo
Reflexo e
Expanso
Contrao
Retrao
Figura 4.1: Movimentos Possveis no Algoritmo NM.

A abordagem aplicada nesse estudo um pouco diferente, pois a funo se torna
infinita abruptamente assim que se violam as restries. Entretanto, por se tratar de
um mtodo de busca direta no h inconvenientes graves.
A cerca das perspectivas do uso de computao de alto desempenho, pela prpria
estrutura do algoritmo, tipicamente seqencial, aparentemente no h muitas oportunidades para se obter ganhos com utilizao de computao distribuda ou paralela.
4.1.2
Algoritmo de Busca Direta em Padres - Pattern Search
De uma maneira geral, os mtodos de busca direta so compostos de um exame seqencial de tentativas de soluo, comparando cada tentativa com a melhor soluo obtida
para determinar qual ser a prxima soluo [35]. A definio de como feito esse
exame caracteriza os diferentes mtodos de busca direta. O algoritmo de Nelder-Mead,
descrito na seo anterior, tambm um mtodo de busca direta, sendo o mais citado
deles.
Essa classe de mtodos usa apenas o valor da funo e seu ordenamento, sem precisar
das suas derivadas. Porm, em sua essncia, esses mtodos no se propem a aproximar
gradientes da funo, o que exclui esquemas a partir de diferenas finitas.
Especificamente, o Mtodo de Busca Direta em Padres (Pattern Search) carac-
33
varivel 2
var
iv
el 2
vel 1
vari
varivel 1
Figura 4.2: Movimentos Exploratrios Proximidade do Mnimo Global da funo

hipottica. FONTE: Emerick,A.A; 2006 [25].
terizado por uma srie de movimentos exploratrios que consideram o comportamento
da funo objetivo numa malha padro de pontos pr-definida. Esses movimentos exploratrios consistem em uma estratgia sistemtica para visitar os pontos numa grade
na vizinhana do iterando corrente.
O mtodo de Busca Direta em Padres possui garantias de convergncia global [76],
porm no h garantias de se encontrar o extremo global da funo. As figuras 4.2 e
4.3 esquematizam esse comportamento para uma funo hipottica.
De uma maneira geral, os algoritmos de busca direta conduzem uma srie de movimentos exploratrios a partir do iterando corrente antes de declarar o novo iterando
e atualizar as informaes associadas (dimenso da malha, direes da malha). Esses
movimentos formam uma amostragem da funo em torno do iterando corrente em
posies pr-determinadas.
A seguir est apresentada o algoritmo de busca para minimizao de funes, utilizada nos testes.
Algoritmo: Busca Direta em Padres
Dados: > 1 e 0 < < 1, fator de expanso e contrao da malha, respectivamente;
K , mximo nmero de iteraes; T , mximo nmero de avaliaes de f ; f , tolerncia
na variao da funo f ; x , tolerncia na variao dos parmetros x; diam()min ,
tolerncia no dimetro da malha;
34
varivel 2
varivel 1
v
ri
va
1
el
varivel 2
vari
vel 2
Figura 4.3: Movimentos Exploratrios Influncia do Ponto de Partida. FONTE:

Emerick,A.A; 2006 [25].
Definir:
x0 , ponto inicial;
0 , dimenso inicial da malha;
k = 0 , contador de iteraes;
t = 0 , contador de simulaes;
Passo 1 : Movimentos Exploratrios
Seja D de dimenso 2n um conjunto das direes dos movimentos exploratrios.
Por exemplo, pode ser construdo a partir das direes coordenadas.
D = {e1 , e2 , . . . en , e1 , e2 , . . . en }
(4.12)
Os movimentos exploratrios caminharo segundo as direes definidas em D .

Passo 2 : Comparao
Para k = 1, 2, ...
Passo 2.1 : Sucesso
Se existir dk D , tal que f (xk + k dk ) < f (xk ), ento
Definir xk+1 = xk + k dk (alterao do iterando);
Atualizar k+1 = k (expanso da malha).

Passo 2.2 : Insucesso
35
Se f (xk + k dk ) f (xk ),para todo dk D , ento

Definir xk+1 = xk (no h alterao do iterando);
Atualizar k+1 = k (contrao da malha).
Passo 3 : Terminao
Se f (xk+1 ) f (xk ) f , xk+1 xk x , diam(k ) diam()min , k > K ou
t > T , terminar.
Fim do Algoritmo
Diferente do Algoritmo Nelder-Mead, que se aplica a minimizaes irrestritas,
possvel especificar restries de limite e restries lineares de igualdade e desigualdade
no mtodo de Busca Direta em Padres. Dessa maneira, no necessrio utilizar
o conceito de funo barreira, como feito para o algoritmo Simplex. As restries
pertinentes aos problemas aqui tratados so definidas diretamente.
O Algoritmo de Busca Direta utilizado aqui segue a filosofia geral descrita acima,
contudo possui algumas especificaes disponveis na implementao do Matlab utilizada que foram definidas para os casos de aplicao. A seguir, tem-se um detalhamento
dessas opes adicionais consideradas.
Malha:
O tamanho inicial da malha est definido igual a 1.0, tendo um fator de contrao
de 0.5 para as iteraes mal sucedidas e um fator de expanso de 2.0 para as iteraes
bem sucedidas.
Apurao dos Pontos da Busca:
A apurao dos pontos pode se dar por dois mtodos: um que usa N + 1 pontos e
outro que usa 2N pontos. Est sendo aplicado o segundo mtodo (2N), opo padro
do pacote, onde N a dimenso do problema.
Entretanto, no se est fazendo a apurao completa, ou seja, investigao de todos
2N pontos vizinhos ao iterando. feita a apurao at que o primeiro ponto com funo
objetivo melhor que a do iterando corrente seja encontrada. A ordem dessa busca segue
a seqncia de definio dos vetores padro que forma a malha.
Terminao:
As tolerncias na funo e nas variveis esto definidas especificamente para cada caso de aplicao. A tolerncia na dimenso da malha especificada como 10%
da tolerncia nas variveis. Ainda so definidos o mximo nmero de iteraes e de
avaliaes da funo objetivo.
Originalmente, no seu contexto histrico, os mtodos de busca direta estiveram esquecidos pelos matemticos por algum tempo devido ao seu desenvolvimento heurstico,
36
sem provas de convergncia e, de fato, em alguns casos essa convergncia pode ser muito
lenta [40]. Entretanto, esses mtodos mantiveram-se populares entre os engenheiros e
outros profissionais de pesquisa.
No incio da dcada de 90, o interesse pelo mtodo de busca direta ressurgiu com
publicaes no contexto da computao paralela. Desde ento, ficou claro que a busca
direta uma opo efetiva, quando no a nica, e possvel dar rigorosas provas de
convergncia.
O mtodo de Busca Direta em Padres apresenta grandes oportunidades de uso
em computao paralela. As buscas exploratrias independentes em torno do iterando
atual provem ganhos substanciais com aplicao de processamento distribudo.
Kolda e Torczon [41] apresentaram uma implementao do algoritmo de Busca
Direta em Padres para aplicaes paralelas assncronas deste algoritmo de busca.
4.1.3
Derivative Free Optimization - DFO
Essa abordagem considerada para minimizao de funes no lineares suficientemente suaves, com muitas variveis e sem disponibilidade da informao sobre as
derivadas da funo. Sob condies razoveis, este algoritmo globalmente convergente. Entretanto, a exigncia de suavidade da funo refere-se garantia de convergncia de modo que caso se procure apenas melhorar o resultado da funo o DFO
ainda apropriado.
Grande parte das tcnicas de otimizao usuais no se aplicam ou no so eficientes
para problemas onde as derivadas no esto disponveis ou so muito caras de se obter e
onde as avaliaes da funo objetivo so muito onerosas [18]. Problemas onde a funo
objetivo provm de experimentao ou atravs de complicados pacotes de simulao se
enquadram nesse contexto e se assemelham aos problemas tratados nesse estudo. Para
essa classe de problemas, a aplicao do mtodo da regio de confiana proposta por
Conn et al se torna muito interessante, pois uma tcnica capaz de resolver o problema
usando relativamente poucas avaliaes da funo objetivo.
A cada iterao apenas uma ou duas avaliaes da funo so necessrias, significando que o algoritmo usa a nova informao to logo ela esteja disponvel. Alm
disso, os pontos no precisam estar dispostos sobre uma grade pr-definida ou alguma
outra estrutura.
As simulaes habitualmente trazem algum rudo numrico consigo e para essa aplicao o algoritmo provou ser muito robusto. Este comportamento pode ser explicado
pelo fato do efeito do rudo tornar-se significativo quando o raio da regio de confiana
37
est bem pequeno, ou seja, quando j se est nas proximidades da soluo.

O Algoritmo DFO
O principal elemento desse algoritmo a aproximao da funo objetivo por um
modelo quadrtico que usado para resolver um problema de minimizao restrito
regio de confiana. O modelo quadrtico tem a forma
mk (xk +s) = f (xk ) + hgk , si +
1
hs, Hk si
2
(4.13)
Onde gk um vetor em Rn e Hk uma matriz quadrada e simtrica de dimenso

n. Os termos gk e Hk no sero obtidos a partir da primeira e segunda derivadas de f ,
mas sim pela imposio de que m(y) = f (y), onde y pertence a um conjunto de pontos
amostrados Y .
Dessa forma, para obter o modelo necessria uma amostragem da funo. Esses
pontos amostrados podem ser tais que provem valores menores do objetivo ou que
garantem uma boa aproximao do modelo.
necessrio adicionar imposio de m(y) = f (y), algumas condies geomtricas
que garantam a existncia e unicidade do interpolador quadrtico. Por exemplo, no
h como construir um modelo quadrtico em duas dimenses para pontos sobre uma
reta ou formando um crculo.
A utilizao da Frmula de Newton para interpolao polinomial aplicada para
construo do modelo da funo. H motivaes tericas e prticas para uso da Frmula
de Newton. Do ponto de vista terico, essa abordagem permite convergncia global
quando associada com o mtodo de regio de confiana. Do ponto de vista prtico, a
aplicao da frmula de Newton pode reduzir significativamente os clculos realizados
pelo algoritmo [17].
Outro importante ingrediente dessa tcnica a estrutura da regio de confiana.
Assume-se que o modelo quadrtico aproxima bem a funo dentro de certa regio com
um dado raio.
Bk = {x Rn | kx xk k k }
(4.14)
Esse raio pode crescer ou diminuir a depender da validade ou no do modelo.

Algoritmo: Derivative Free Optimization
38
Dados: 0 , 1 , 0 , 1 e 2 atendendo a
0 < 0 1 < 1 e 0 < 0 1 < 1 2
(4.15)
Sejam xs e f (xs ) um ponto de partida e sua funo, respectivamente. Seja ainda F

a regio vivel do problema.
Escolher um conjunto de interpolao Y , contendo xs . Determinar x0 Y , tal que,
f (x0 ) = minf (yi ) para todo y Y .

yi Y
Escolher um raio inicial da regio de confiana 0 > 0 e definir k = 0.

Passo 1 : Construo do Modelo
Usando o conjunto de interpolao Y , construir um modelo mk (xk + s), possivel-
mente restrigindo Y a um subconjunto bem posto contendo xk , tal que m(y) = f (y);
Passo 2 : Minimize o Modelo dentro da Regio de Confiana
+
Calcule x+
k , tal que mk (xk ) = min mk (x), onde Bk = {x : ||x xk || k }.
xBk F
Calcule f (x+
k ) e a razo:
f (xk ) f (x+
k)
mk (xk ) mk (x+
k)
def
k =
k mede o quanto foi alcanado de reduo da funo objetivo comparado com a

reduo do modelo.
Passo 3: Atualize a Interpolao
Se k 1 , incluir x+
k em Y e, caso necessrio, remover um dos pontos de interpo-
lao existentes.
Se k < 1 e Y inadequado em Bk , melhorar a geometria de Y em Bk .

Passo 4: Atualize o Raio da Regio de Confiana ( )
Se k 1 , ento k+1 [k , 2 k ]
Se k < 1 e Y adequado em Bk quando x+

k foi computado, ento k+1
[ 0 k , 1 k ]
Caso contrrio, k+1 = k .

Passo 5: Atualize o Iterando Corrente
Determinar xk tal que
f (xk ) = min f (yi )

yi Y
yi 6=xk
Ento, se
def
k =
f (xk ) f (xk )
0
mk (xk ) mk (x+
k)
39
definir xk+1 = xk . Caso contrrio, definir xk+1 = xk . Incremente k e v para o

Passo 1.
Passo 6: Terminao
Se k+1 min , terminar.
Fim do Algoritmo
4.1.4
Algoritmo Gentico
A Computao Evolucionria, ou Mtodos Evolucionrios, um termo geral usado

para referir-se aos mtodos de busca baseados em populao de solues. Esse tipo de
algoritmo apresenta o princpio de ser uma aproximao em computador representando
algum tipo de evoluo natural.
H trs abordagens gerais dentro do conceito de Mtodos Evolucionrios: os Algoritmos Genticos, as Estratgias Evolutivas e a Programao Evolucionria. A diferena
entre essas abordagens est na forma como a populao alterada gerao a gerao.
O foco desse trabalho ser dado ao Algoritmo Gentico (GA), que o mais popular
dos algoritmos de computao evolucionria.
Os GAs apresentam algumas diferenas bsicas em relao a outros mtodos de busca no evolucionrios. A principal diferena o uso de populao de solues candidatas
no lugar de uma nica candidata. Alm disso, GA trabalha com uma codificao dos
parmetros, normalmente por representao binria, ao invs dos parmetros propriamente. Outro ponto importante que o GA aplica regras probabilsticas nas passagens
do seu procedimento.
H um grande potencial de uso de computao paralela associado ao GA. Como o
algoritmo trabalha com populao de indivduos, que necessitam ter sua funo de aptido (objetivo) avaliada independentemente, h uma aplicao natural de distribuio
de esforo computacional.
A caracterstica probabilstica do GA lhe confere maior robustez do que os mtodos
convencionais. H mecanismos intrnsecos que promovem a diversificao dos indivduos e permitem explorar melhor o espao de busca.
Os Algoritmos Genticos so algoritmos de busca baseados nos mecanismos de
seleo natural e gentica natural, propostos por C. Darwin e G. Mendel, respectivamente. Seus principais operadores so:
o Domnio dos mais aptos (Seleo);
a Reproduo com interao (Cruzamento);
40
a Variao dos indivduos (Mutao).

Algoritmo: Algoritmo Gentico
Gerar randomicamente uma populao da gerao inicial (i = 0) com N indivduos
e avaliar a aptido (funo objetivo) de cada um.
Passo 1 : Seleo dos Pais
Definir Ne = 0, caso no se aplique elitismo a populao. Caso contrrio, defina Ne
tal que 0 < Ne < N.
Classifique os indivduos segundo sua aptido, atribuindo-lhes uma ordem.
Selecione N Ne pais a partir da populao completa. A seleo feita randomi-
camente de acordo com a aptido dos indivduos (ordem), podendo um indivduo ser
selecionado mais de uma vez. Desse modo, os mais aptos tm mais chances de serem
selecionados.
Passo 2 : Cruzamentos
Dadas as cadeias de genes dos pais, define-se ponto de corte como sendo a posio
dessas cadeias onde sero permutados os genes entre os pais para formar os descendentes.
Assim, para cada par de pais selecionado, promover o cruzamento com escolha
aleatria do(s) ponto(s) de corte, com probabilidade Pc de ocorrncia. Se no ocorrer
cruzamento (probabilidade 1 Pc ), formam-se dois descendentes, cpias exatas dos
pais.
Passo 3 : Substituio e Mutao

Enquanto Ne melhores indivduos so mantidos da gerao anterior, substituir os
N Ne indivduos restantes pela populao de descendentes formada no Passo 2.
Promover a mutao dos genes dos indivduos. A probabilidade (Pm ) de ocorrncia da

mutao deve ser baixa.
Passo 4 : Nova Gerao
Computar a aptido, f (x), da populao da nova gerao (i = i + 1).
Passo 5 : Terminao
Se o nmero de geraes exceder ao mximo definido ou no houver progresso da
funo por um determinado numero de geraes, terminar.
Fim do Algoritmo
A implementao do GA utilizado nesse trabalho apresenta algumas opes mais
especficas do que o sumariamente descrito na definio do algoritmo acima. A seguir
41
esto indicadas e descritas as opes mais relevantes utilizadas nos casos de aplicao
com o GA.
Criao:
A populao inicial criada aleatoriamente a partir de uma distribuio probabilstica uniforme dos indivduos.
Elitismo:
Foi considerado Elitismo no algoritmo, onde os melhores indivduos sobrevivem para
prxima gerao sem qualquer alterao. O nmero de indivduos de elite considerado
foi de 5% da populao.
Cruzamento:
utilizado um cruzamento disperso, onde cada gene tem iguais chances de vir de
qualquer um dos pais.
Isso elimina o efeito de genes prximos na cadeia do cromossomo sobreviverem juntos e genes distantes tenderem a ficar separados. Esse efeito se observa no cruzamento
com um ou dois pontos de corte na cadeia.
Mutao:
Usou-se mutao uniforme, onde primeiro o algoritmo seleciona a frao do individuo para mutao com uma baixa probabilidade (1%), constante ao longo das geraes.
Em seguida, as fraes selecionadas so substitudas por uma nova obtida aleatoriamente a partir de uma distribuio uniforme.
Em problemas com restries, como os que so tratados nesse estudo, existem
algumas consideraes a serem feitas. H algumas tcnicas que podem ser aplicadas
para resoluo de problemas com restrio usando o GA. possvel aplicar penalizao
funo de aptido (objetivo), efetuar a rejeio de indivduos fora do domnio vivel,
realizar reparos das solues inviveis, entre outras abordagens [33].
Nesse estudo, as restries esto sendo tratadas da mesma maneira que foram consideradas no algoritmo Simplex.
Esse trabalho est utilizando uma implementao seqencial do algoritmo, entretanto os GAs so naturalmente estruturados para paralelizao. Classicamente, existem
trs modelos de Algoritmo Gentico em paralelo: modelo mestre-escravo; algoritmo
com granularidade baixa (modelo de ilhas) e com granularidade alta.
O modelo mestre-escravo o nico que no altera a estrutura original do GA. Um
processador principal (mestre) realiza os operadores na populao e envia a populao
resultante para os demais processadores (escravos), aguardando a avaliao da aptido.
O Algoritmo Gentico com granularidade baixa o modelo mais popular. Neste
42
modelo, so formadas subpopulaes com evoluo isolada, havendo migrao de indivduos entre as subpopulaes periodicamente. Dessa forma, delega-se a diversos
processadores tanto a avaliao da funo dos indivduos quanto as funes de reproduo e seleo destes.
Com essas evolues isoladas, garante-se a diversidade e evoluo em diversos subdomnios promovendo uma melhor explorao de todo domnio vivel.
Mesmo para usos em um s processador (como o aplicado neste trabalho), possvel
utilizar o conceito de migrao. O pacote do Matlab utilizado apresenta essa opo,
onde a cada 20 geraes, realizada uma migrao de 20% de uma subpopulao para
a seguinte.
4.2
Implementaes
Com o intuito de se estudar e comparar alguns algoritmos que no fazem uso das informaes de derivadas, foi construdo um sistema para otimizao e, para tanto, escolheuse o ambiente Matlab como plataforma principal. Trs algoritmos foram tratados com
o Matlab e um ltimo foi utilizado a partir de um pacote Fortran disponvel.
Essa opo foi baseada na disponibilidade de uma vasta lista de opes de otimizao nos toolboxes do Matlab e nas facilidades de programao e de integrao com
programas externos, como simulador de escoamento em meio poroso.
Assim, foi constitudo um cdigo bsico dentro do qual foram inseridas as opes
para os algoritmos estudados e avaliados nesse trabalho. Nesse cdigo bsico, tambm
foi implementada a funo matemtica do objetivo do problema a partir de chamadas
ao simulador Black-Oil IMEX da Computer Modelling Group Ltd. [15].
O fluxo de trabalho desse sistema de estudo, construdo no Matlab, est apresentado
na figura 4.4 e composto de trs etapas: Entrada de Dados, Execuo e Sada de
Dados.
4.2.1
Entrada de Dados
Na seo de entrada de dados, so passados ao programa todos os parmetros relevantes

atravs de um arquivo em disco (*.IN ).
Caractersticas do Problema:
Nmero de Parmetros;
Nmero de Poos Produtores e Injetores;
43
Cdigo Principal
Entrada de Dados
Execuo
Simulao Exclusiva
Otimizao com Simulao
Nelder-Mead Simplex
Busca Direta em Padres
Algoritmo Gentico
Sada de Dados
Figura 4.4: Estrutura do Sistema de Estudos de Otimizao.

Nmero de Tempos;
Opes Gerais:
Opo de Execuo (Simulao ou Otimizao);
Uso de Funo Barreira;
Algoritmos de Otimizao (Nelder-Mead Simplex, Busca Direta Padronizada,
Algoritmo Gentico);
Uso de Mltiplas Otimizaes com Inicializao Aleatria;

Unidade de Sada de Dados (Tela ou Arquivo);
Tipo do Problema de Otimizao (Minimizao ou Maximizao);
Tipo da Funo Objetivo (VPL, Np, Np atualizado).
As duas ultimas opes gerais foram utilizadas com seus parmetros fixos em Maximizao e VPL por delimitao do escopo do trabalho, porm as outras opes esto
disponveis. Como os algoritmos abordados no trabalho so de minimizao, estamos
tratando com o negativo do VPL para obteno do mximo.
44
Parmetros Econmicos:
Investimentos Iniciais;
Preo do leo;
Custos de Produo do leo;
Custos de Produo e Injeo de gua;
Taxa de Desconto.
Tolerncias:
Tolerncia no Valor da Funo
Tolerncia no Valor dos Parmetros.
4.2.2
Execuo
H duas opes de execuo: Simulao Exclusiva e Otimizao com Simulao, cuja

definio feita na Entrada de Dados.
Basicamente, a Simulao Exclusiva executa o simulador de reservatrios e obtm
a funo objetivo para o caso em questo. Esta uma opo de gerao e verificao
dos casos trabalhados, sejam casos bases, casos de inicializao ou solues obtidas.
Na opo de Otimizao com Simulao, executado o algoritmo de otimizao
escolhido na Entrada de Dados com as opes especficas definidas focando as peculiaridades de cada modelo. Essas opes especficas foram detalhadas na descrio de
cada um dos algoritmos na seo anterior.
As funes internas relativas aos algoritmos em estudo, bem como seus argumentos
de entrada esto indicados a seguir.
Algoritmo Simplex de Nelder-Mead
@fminsearch
(funo objetivo, ponto inicial, opes).
Algoritmo de Busca Direta em Padres
@patternsearch
(funo objetivo, ponto inicial, restries lineares, restries no-lineares, limites das variveis, opes).
Algoritmo Gentico
@ga
(funo objetivo, tamanho da populao, opes).
4.2.3
45
Sada de Dados
Nesta seo so reunidas as informaes pertinentes s anlises previstas para essa

pesquisa. Para o propsito de avaliar o comportamento fsico do problema de otimizao da produo e injeo e o comportamento matemtico dos algoritmos foram registradas as seguintes informaes:
Nmero de Iteraes;
Nmero de Simulaes;
Soluo Inicial e Soluo Final (Melhorada);
Valor da Funo Objetivo para as Solues Inicial e Final;
Curvas de Desempenho dos Algoritmos;
Resultados das Simulaes de Reservatrio (Mapas de Saturao, Curvas de Produo e Injeo).
Os algoritmos avaliados aqui nesse estudo foram utilizados a partir do Matlab,

exceo do Derivative Free Optimization (DFO) de Conn et al. Foi utilizado o pacote
Fortran disponvel [13].
O pacote DFO uma implementao Fortran da otimizao sem derivadas proposta
por Conn et al [17, 16] baseada no mtodo da regio de confiana. Este capaz
de realizar otimizaes sujeitas a restries de limite, restries lineares e restries
no lineares cujo valor e a matriz jacobiana possa ser obtidos a baixo custo. Alm
disso, restries que so onerosas para se avaliar e suas derivadas no esto disponveis
tambm podem ser submetidas ao problema de interesse com a utilizao do DFO [68].
necessrio prover um pacote de otimizao para resolver o problema interno de
minimizao na regio de confiana. Foi utilizado o IPOPT [14], baseado em algoritmos
de pontos interiores [81] que j possua uma interface com o DFO montada.
Tambm necessrio prover uma sub-rotina com a funo objetivo do problema.
Foi implementada uma verso em Fortran similar utilizada pelos scripts do Matlab.
Diversos testes foram realizados para confirmar a coerncia entre os resultados obtidos
por essas duas maneiras.
Captulo 5
Aplicaes
5.1
Casos de Aplicao
Nossos estudos foram aplicados a dois casos de caractersticas distintas. Cada um

dos casos possui peculiaridades bem definidas no que se refere complexidade de sua
geometria, heterogeneidade e esquema de produo.
O primeiro caso, denominado Caso 1, apresenta caractersticas bem simples como
ser detalhado adiante e teve como propsito principal estudar e avaliar o comportamento do problema bsico de otimizao, dentro de condies muito simplificadas e
de fcil controle. O objetivo principal deste caso foi tentar identificar as dificuldades
reais e potenciais inerentes aplicao de algum mtodo de otimizao aos modelos de
simulao numrica de reservatrios de petrleo, bem como descobrir oportunidades
de se tirar proveito das caractersticas do problema.
O outro caso de aplicao, denominado Caso 2, um modelo sinttico com propriedades bem realistas, visando expor o problema a situaes mais prximas da prtica
corrente. Esse modelo apresenta a presena de canais de alta permeabilidade em meio
a regies de baixa transmissibilidade, num esquema de produo composto de 12 poos
ao todo.
A seguir, esto apresentadas as caractersticas principais dos dois casos de estudo.
5.1.1
Caso 1
De geometria simples e caractersticas fceis de controlar, o Caso 1 foi preparado para

o estudo de aspectos mais bsicos do problema de otimizao das cotas de produo
e injeo de fluidos num estudo de reservatrios de petrleo. A simplicidade do Caso
1 permite enfrentar diferentes situaes dentro da soluo de um problema desse tipo,
46
Captulo 5. Aplicaes
47
em um contexto onde possvel destacar peculiaridades do comportamento do problema e identificar dificuldades que no ficariam evidentes em modelos de caractersticas
complexas e prximas da realidade dos campos de petrleo que estamos dispostos a
investigar.
O modelo de simulao do Caso 1 tem 51x51x1 clulas e apresenta as propriedades
resumidas na tabela 5.1.
Tabela 5.1: Resumo das caractersticas do modelo do Caso 1
Propriedade
Dado
Malha de Simulao
51(510m)x51(510m)x1(4m)
Porosidade
30%
Permeabilidade horizontal mdia (kh )
1000 mD
Permeabilidade vertical (kv )
10% de kh
2
Compressibilidade da Rocha @ 200 kgf/cm
5 105 (kgf/cm2 )1
Contatos entre Fluidos
Sem contatos WOC e GOC
Presso de Saturao (Psat )
273 kgf/cm2
Viscosidade @ Tres , Psat
0.97 cP
Razo Gs-leo de Formao (RGOF )
115.5 m3 /m3 std
Esse modelo resulta num sistema com 7.083 graus de liberdade, que resolvido
com o mtodo implcito adaptativo disponvel no simulador de reservatrios [15]. Essa
opo controla a troca entre a formulao IMPES e a fully implicit nos blocos da malha.
Esse caso em uma mquina SUN com um processador AMD de 2, 6GHz e 3, 25GB de
RAM simulado em cerca de 30 segundos.
A permeabilidade horizontal indicada acima um valor de base a partir do qual se
define valor de permeabilidade de trs regies do modelo (figura 5.1). Uma das regies
fica prxima do poo injetor, com valor igual ao valor de base, e as outras duas no
entorno dos poos produtores.
A regio prxima ao poo produtor P-1 possui permeabilidade inferior ao valor de
base, enquanto que prximo ao poo produtor P-2 os valores so superiores. A razo
entre a permeabilidade da regio do poo P-2 e a do poo P-1 ser doravante designada
por Contraste de Permeabilidade ou, simplesmente, Contraste. Trabalhou-se com um
contraste de permeabilidade de 3:1, a partir do uso dos valores de permeabilidade de
500mD, prximo ao poo P-1, e 1500mD, na regio do poo P-2.
O modelo possui um poo injetor de gua (I-1), alm dos dois poos produtores de
leo (P-1 e P-2) mencionados anteriormente. So poos verticais completados na nica
Captulo 5. Aplicaes
48
TECNICAS DE OTIMIZACAO DE PRODUCAO
Permeability I (md) 2006-01-01
1,500
1,400
1,300
1,200
1,100
1,000
900
800
700
600
500
Figura 5.1: Regies de Permeabilidade horizontal para o Caso 1

camada do modelo.
O modelo contm ainda a definio de um grupo, representante de uma unidade
de produo, onde esto ligados os poos produtores. Esse grupo apresenta um limite
vazo de lquido fixada em 40m3 /dia, refletindo a mxima vazo diria de produo
capaz de ser tratada pela unidade.
No modelo de simulao, foi utilizada uma opo para definir o rateio com que
os poos iro produzir, considerando a mxima capacidade especificada para o grupo.
Esses parmetros de rateio foram usados como variveis de controle do nosso problema
de otimizao, de modo a garantir que em todos os momentos o grupo estar produzindo
na sua mxima capacidade.
Os poos produtores so restringidos por uma vazo mxima de lquido de 30m3 /dia,
sem ter nenhum controle secundrio complementar. A ausncia de algum controle adicional na operao dos poos produtores se apresenta como uma condio em desacordo
com prtica comum nos estudos de reservatrio. Usualmente, se especifica algum controle na presso de fundo de poo ou na presso da cabea do poo, complementando
a restrio de vazo mxima. Entretanto, essa condio foi mantida visando prover o
mximo de simplicidade ao modelo como era nossa proposta original.
Mais adiante a discusso sobre o efeito dos controles ser aprofundada, identificando
seus inconvenientes.
A partir da limitao do grupo e dos controles adotados para os poos, observa-se
que os dois produtores no podem operar nas suas mximas capacidades, pois assim
ultrapassariam o limite ao liquido estabelecido. Por outro lado, individualmente ne-
Captulo 5. Aplicaes
49
nhum dos produtores capaz de atingir a capacidade do grupo, exigindo a operao

simultnea de ambos na maximizao da produo.
Seguindo o mesmo princpio de controle dos produtores, o poo injetor foi controlado
apenas pela vazo mxima de gua injetada, definida em 44m3 /dia. Esse valor foi
adotado buscando a manuteno da presso mdia do reservatrio.
Por razes de comparao adiante, foram constitudos trs casos base para o modelo
do Caso 1. No primeiro, cada poo produz metade da capacidade da plataforma (rateios
de 50%). Esse caso, que ser designado como Caso 1A, constitui a opo mais imediata
de gerenciamento, pois simplesmente define a mesma produo para todos os poos.
Esse caso apresenta uma diferena entre as datas de erupo de gua dos dois poos
de 12 meses.
Um segundo caso Caso 1B apresenta o poo P-1 com um rateio de 25% contra
75% do poo P-2, e um terceiro caso Caso 1C onde o poo P-1 tem um rateio de
75% e o poo P-2, 25%. Como o contraste de permeabilidade de 3:1, os casos 1B e
1C representam, respectivamente, rateios proporcionais e inversamente proporcionais
ao ndice de produtividade dos poos.
O Caso 1B apresenta uma diferena entre as datas de erupo de gua de 49 meses,
enquanto o Caso 1C tem 15 meses de diferena.
A tabela 5.2 resume os valores das vazes de produo dos poos para os casos base
do Caso 1, bem como os valores de VPL obtidos com esses casos.
Tabela 5.2: Variveis de Controle para os casos base do modelo do Caso 1.
VPL
Vazo (m3 /dia)
Diferena entre Erupes de gua
(u.m. 106 ) Poo P-1 Poo P-2
(meses)
Caso 1A
1.4898
20
20
12
Caso 1B
1.4420
10
30
49
Caso 1C
1.4856
30
10
15
O comportamento do Caso 1 para essas trs possibilidades de distribuir as vazes

entre os poos P-1 e P-2 pode ser observado nas figuras 5.2 e 5.3, onde esto apresentadas respectivamente as curvas de produo acumulada de leo e de corte de gua.
O Caso 1 possui um tempo total de produo de 16 anos (01-01-2006 a 01-01-2022).
Assim, de modo a trabalhar na idia de modificar dinamicamente as vazes dos poos
ao longo do tempo, o perodo de produo foi dividido em 24 intervalos de 6 meses,
aonde foram definidas as cotas de vazo de cada poo.
Captulo 5. Aplicaes
50
1.20e+5
1.00e+5
8.00e+4
6.00e+4
4.00e+4
Cumulative Oil SC
2.00e+4
0.00e+0
2008
2010
2012
2014
Time (Date)
Caso_1A
2016
Caso_1B
2018
2020
2022
Caso_1C
Figura 5.2: Caso 1: Curvas de Produo Acumulada de leo para os casos base.
100
80
60
40
Water Cut SC %
20
0
2008
2010
Caso_1A
2012
2014
Time (Date)
2016
Caso_1B
2018
2020
2022
Caso_1C
Figura 5.3: Caso 1: Curvas de Corte de gua para os casos base
Captulo 5. Aplicaes
51
Considerando os elementos do modelo do Caso 1 que sero considerados nos estudos de otimizao, possvel ento declarar o problema de otimizao para esse caso
conforme apresentado a seguir:
Funo Objetivo:
Valor Presente Lquido (VPL) conforme definio apresentada na equao 3.2.
Variveis de Controle:
Foram consideradas como variveis de controle o rateio de vazo do poo produtor
P-1, alterado a perodo de 6 meses durante 12 anos, totalizando 24 variveis independentes. O rateio calculado segundo definio das equaes 3.4 e 3.5. As vazes do
poo P-2 so obtidas de modo a complementar a capacidade de produo da plataforma, representando mais 24 variveis dependentes.
Restries de Limite
O limite inferior das variveis de 25% da capacidade de produo de lquido da
plataforma (correspondente a 10m3 /dia) e o limite superior de 75% da capacidade
(correspondente a 30m3 /dia).
So consideradas implicitamente as restries em igualdade que garantem o balano
de materiais e a manuteno de presso do reservatrio do Caso 1 (equaes 3.6 e 3.7).
5.1.2
Caso 2
O Caso 2 compe-se de um modelo geolgico bem mais complexo, construdo a partir

de tcnicas de geoestatstica e dados de afloramento, sendo bastante prximo de um
modelo de reservatrio real, apesar de se tratar de um caso sinttico. O modelo gerado
para o Caso 2 reproduz um sistema deposicional turbidtico, tpico de formaes em
guas profundas, representando o mais importante tipo de reservatrio encontrado nas
bacias sedimentares da costa brasileira.
Os parmetros petrofsicos foram obtidos por correlao, conforme pode ser visto
em Silva, F.P. et alli [70].
Inicialmente, um modelo refinado com 217 x 275 x 6 clulas foi gerado a partir
dos dados originais onde foram locados os 12 poos que compem o plano de desenvolvimento proposto para esse caso. Tratam-se de 7 poos produtores e 5 poos
Captulo 5. Aplicaes
52
TECNICAS DE OTIMIZACAO DE PRODUCAO
Porosity 2006-01-01
File: caso2.irf
User: CXZF
0.281
0.269
0.257
0.244
0.232
0.220
0.208
0.196
0.183
0.171
0.159
Figura 5.4: Mapa de porosidade do modelo do Caso 2, com locao dos poos
injetores, posicionados segundo as caractersticas permo-porosas e de continuidade do
reservatrio.
Um segundo modelo foi gerado a partir dos dados de poos e da aplicao de uma
ssmica sinttica ao modelo fino de modo a reproduzir as condies usuais de modelagem
em casos reais, guardando a locao dos poos definida no modelo fino inicial (figura
5.4). Embora o novo modelo incorpore alto grau de incerteza, o trataremos como um
modelo sem incertezas.
O novo modelo possui uma malha de 43 x 55 x 6 clulas e suas principais caractersticas esto resumidas na tabela 5.3.
Tabela 5.3: Resumo das caractersticas do modelo do Caso 2
Propriedade
Dado
Malha de Simulao
43(4300m)x55(5500m)x6
Porosidade
Entre 16% e 28%
Permeabilidade horizontal (kh )
Ver Mapas
Permeabilidade vertical (kv )
30% de kh
2
Compressibilidade da Rocha @ 1.019 kgf/cm
2 107 (kgf/cm2 )1
Contatos entre Fluidos
Sem contatos WOC e GOC
Presso de Saturao (Psat )
101.97 kgf/cm2
Viscosidade @ Tres , Psat
0.77 cP
Razo Gs-leo de Formao (RGOF )
78.1 m3 /m3 std
Captulo 5. Aplicaes
53
Figura 5.5: Mapa de permeabilidade do modelo do Caso 2: camadas 1 e 2

Esse modelo resulta num sistema com 42.570 graus de liberdade e igualmente ao
Caso 1 foi resolvido com o mtodo implcito adaptativo disponvel no simulador de
reservatrios [15]. Para esse caso so necessrios 138 segundos para realizar a simulao
desse modelo em uma mquina SUN com um processador AMD de 2, 6GHz e 3, 25GB
de RAM.
Este modelo ser considerado aquele que descreve o Caso 2. Os mapas de permeabilidade para o Caso 2 esto apresentados nas figuras 5.5, 5.6 e 5.7.
Os sete poos produtores do Caso 2 esto com sua operao restringida pela vazo
total de lquido, limitada a 900m3 /dia. Fruto dos problemas observados nos estudos
com o Caso 1, no foram usados controles de operao adicionais. Analogamente, os
cinco poos injetores so controlados pela mxima vazo de gua injetada, definida em
1500m3 /dia.
Esses 12 poos esto ligados a um grupo, representante da unidade de produo, que
possui dois limites definidos. A mxima vazo de lquido produzido est definida em
Captulo 5. Aplicaes
54

5000m3 /dia (equivalente a vazo mxima de 5, 55 produtores) e a mxima vazo de injeo est especificada em 5500m3 /dia (equivalente a vazo mxima de 3, 66 injetores).
Esses limites fazem com que os poos no possam operar na sua mxima capacidade
individual, deixando espao para o problema de otimizao de definir qual a melhor
forma de distribuir essas vazes atendendo capacidade da unidade de produo.
Analogamente ao feito para o Caso 1, foram definidos trs casos base para esse
modelo do Caso 2, representativos daquilo que seria um julgamento de engenharia
razovel para a distribuio das cotas de vazo dos poos produtores e injetores. Esses
casos base permitiram algumas comparaes e sero estimativas iniciais dos processos
de otimizao.
No primeiro caso base, denominado Caso 2A, as vazes de produo e injeo foram
distribudas equitativamente entre os poos. Assim, todos os poos produtores estaro
produzindo a uma mesma vazo, equivalente a cerca de 15% da capacidade de produo
do grupo (714m3 /dia). Similarmente, os poos injetores tambm estaro injetando a
uma mesma vazo, igual a 20% da capacidade de injeo do grupo (1.100m3 /dia).
O segundo caso base Caso 2B apresenta sua distribuio de vazes proporcional aos ndices de produtividade ou injetividade dos poos, respeitando a mxima
capacidade de injeo ou produo de cada poo. A tabela 5.4 mostra os ndices de
produtividade e injetividade para cada poo.
O terceiro caso base Caso 2C apresenta uma proposta bastante similar ao
caso 2B, porm sua distribuio de vazes inversamente proporcional aos ndices de
produtividade ou injetividade dos poos, respeitando tambm a mxima capacidade
de injeo ou produo de cada poo.
A tabela 5.5 apresenta um resumo das cotas de produo e injeo utilizadas em
Captulo 5. Aplicaes
55
Tabela 5.4: ndices de Produtividade (IP) dos Poos Produtores e ndices de Injetividade (II) dos Poos Injetores
Poo
Produtor
IP
Poo
II
(m3 /dia)/(kgf /cm2 ) Injetor (m3 /dia)/(kgf /cm2 )
PROD-3
59
PROD-4
57
INJ-1
43
PROD-5
86
INJ-2
25
PROD-6
11
INJ-7
11
PROD-8
23
INJ-9
29
PROD-10
37
INJ-11
156
PROD-12
52
funo da definio de cada um dos casos base.

O comportamento fsico dos casos base apresentado nas figuras 5.8, 5.9 e 5.10.
As figuras 5.8 e 5.9 mostram as curvas de Produo Acumulada de leo e de Corte de
gua para o campo, nos trs modelos dos casos base. Na figura 5.10, tem-se as curvas
de vazo de leo e de gua produzida ao longo da vida do campo.
Para as situaes usuais de gerenciamento representadas pelos casos base, obtivemos
instantes de erupo de gua nos poos bastante distintos, com diferenas de muitos
anos entre a chegada da gua dos produtores. As datas da chegada de gua nos
poos produtores esto dispostas na tabela 5.6. As caractersticas permo-porosas do
reservatrio em questo com presena de canais bem definidos aliada disposio de
pares produtor-injetor caracteriza esse tipo de comportamento observado.
O caso 2C apresenta o melhor desempenho do VPL, tendo o caso 2B o pior desempenho. A tabela 5.7 indica os resultados de VPL para os trs casos base e a diferena
entre a ltima data de erupo de gua em um poo e a primeira.
Considerando os elementos do modelo do Caso 2 que sero considerados nos estudos
de otimizao, analogamente ao Caso 1 possvel declarar o problema de otimizao
para esse caso conforme apresentado a seguir:
Funo Objetivo:
Valor Presente Lquido (VPL) conforme definio apresentada na equao 3.2.
Variveis de Controle:
Captulo 5. Aplicaes
56
3.00e+7
2.00e+7
1.00e+7
Cumulative Oil SC
0.00e+0
2010
2015
Caso_2A
2020
Time (Date)
2025
Caso_2B
2030
Caso_2C
Figura 5.8: Caso 2: Curvas de Produo Acumulada de leo para os casos base.
80
60
40
Water Cut SC %
20
0
2010
2015
Caso_2A
2020
Time (Date)
Caso_2B
2025
2030
Caso_2C
Figura 5.9: Caso 2: Curvas de Corte de gua para os casos base.
Captulo 5. Aplicaes
57
Tabela 5.5: Vazes de Produo e Injeo dos casos base (2A, 2B e 2C) do Caso 2
Vazo (m3 /dia)
Poo
Caso 2A Caso 2B Caso 2C

PROD-3
900
596
PROD-4
900
617
PROD-5
900
410
217
900
PROD-8
453
900
PROD-10
730
900
PROD-12
900
677
INJ-1
1375
1077
INJ-2
1058
1375
465
1375
INJ-9
1227
1375
INJ-11
1375
298
PROD-6
INJ-7
714
1100
Foram consideradas como variveis de controle o rateio de vazo de 6 poos produtores (PROD-3, PROD-4, PROD-5, PROD-6, PROD-8, PROD-10) e 4 poos injetores
(INJ-1, INJ-2, INJ-7, INJ-9), alterados a cada perodo de 4 anos durante 24 anos,
totalizando 60 variveis independentes. As vazes dos poos PROD-12 e INJ-11 so
obtidas de modo a complementar a capacidade de produo e injeo da plataforma,
perfazendo mais 12 variveis dependentes.
Restries de Limite
Para os poos produtores, foram utilizados os limites das variveis iguais a 0, 0% e
18, 0%, equivalentes a 0, 0m3 /dia e 900, 0m3 /dia.
Para os poos injetores, foram utilizados os limites das variveis iguais a 0, 0% e
25, 5%, equivalentes a 0, 0m3 /dia e 1500, 0m3 /dia.
Do mesmo modo que para o Caso 1, so consideradas implicitamente as restries
em igualdade que garantem o balano de materiais e a manuteno de presso do
reservatrio do Caso 2 (equaes 3.6 e 3.7).
Captulo 5. Aplicaes
58
6 000
5 000
4 000
3 000
(m3/day)
2 000
1 000
0
2010
2015
Oil Rate Caso_2A

Water Rate Caso_2A
2020
Time (Date)
Oil Rate Caso_2B
Water Rate Caso_2B
2025
2030
Oil Rate Caso_2C
Water Rate Caso_2C
Figura 5.10: Caso 2: Curvas de Vazo de leo Produzido e de Vazo de gua Produzida
para o grupo de poos dos Casos Base.
5.2
Comportamento da Funo Objetivo Caso 1
Devido simplicidade do Caso 1 e presena de poucos poos no seu modelo, foi

estudado o comportamento da funo objetivo a partir da reproduo desta atravs da
discretizao do seu domnio. Dessa forma, os parmetros de controle do modelo foram
sendo alterados dentro de uma resoluo especificada para o grfico e as simulaes
foram sendo levadas a efeito para a obteno dos valores da funo objetivo.
verdade que o nmero de variveis envolvidas neste problema bastante elevado e
torna impraticvel a reproduo e visualizao dessa funo multidimensional. Ento,
trabalhou-se com reconstrues utilizando 1, 2 e 4 parmetros, conforme ser detalhado
adiante.
5.2.1
Funo Objetivo 1 Varivel de Controle
Para a avaliao da funo objetivo para uma varivel de controle foi definido um rateio
de vazo entre os poos no primeiro instante da simulao que foi mantido constante
at o trmino. A tabela 5.9 destaca o intervalo onde a varivel utilizada aplicada e a
figura 5.11 esquematiza esse intervalo de atuao.
A Figura 5.12 mostra o grfico obtido para o VPL, usando um contraste de per-
Captulo 5. Aplicaes
59
Tabela 5.6: Datas das erupes de gua nos poos produtores do modelo do Caso 2
Poo
Data de Erupo de gua

Caso 2A
Caso2B
Caso 2C
PROD-3
01-02-2009 04-05-2008 25-03-2009
PROD-4
25-02-2007 01-01-2007 24-01-2007
PROD-5
03-06-2009 07-08-2009 20-09-2008
PROD-6
01-07-2016 01-01-2020 08-03-2015
PROD-8
09-04-2011 04-03-2011 01-04-2019
PROD-10 01-07-2009 07-11-2012 23-05-2008

PROD-12 01-01-2013 01-07-2011 01-07-2018
Tabela 5.7: Valor Presente Lquido dos casos base do Caso 2
Caso
Diferena de Erupo de gua (meses) VPL (u.m. 108 )
Caso 2A
114
2.6210
Caso 2B
156
2.5550
Caso 2C
99
2.6630
meabilidade de 3:1 e uma resoluo da gerao dos pontos de 1%. O parmetro de

controle indicado na abscissa do grfico, refere-se ao rateio de vazo do poo P-1
poo de menor IP.
Vale destacar a caracterstica unimodal do grfico e a tendncia a se produzir mais
atravs do poo de menor produtividade para obteno de melhores resultados. O
retardo da produo de gua justifica essa tendncia. O valor mximo de VPL foi
obtido para um valor de 58% para o rateio do poo P-1.
Foi reproduzido tambm o grfico da funo objetivo para um contraste de 20:1,
a fim de destacar a diferena de produtividade dos poos. A Figura 5.13 apresenta o
resultado obtido.
O comportamento bastante similar ao observado para o caso com contraste de
3:1, porm com um deslocamento do ponto de mximo na direo do poo de menor
produtividade e uma menor sensibilidade do VPL para os valores elevados do parmetro
de controle. Percebe-se ainda uma reduo dos valores de VPL obtidos, resultante das
caractersticas permo-porosas de pior qualidade.
Conforme dito na descrio do Caso 1, por questes de simplicidade do modelo,
no foi utilizado nenhum controle secundrio para os poos. Entretanto, apenas para
Captulo 5. Aplicaes
60
40
30
G P11
20
10
Vazo de L
0
2008
2010
2012
2014
T e m p o (D a te )
2016
2018
2020
2022
Figura 5.11: Esquema do Intervalo de Atuao do Controle para uma Varivel
Figura 5.12: Comportamento da Funo Objetivo para o Caso 1 com contraste 3:1, 1
parmetro de controle e resoluo de 1%.
Captulo 5. Aplicaes
61
Tabela 5.8: Parmetros de Controle - intervalo de atualizao da varivel de rateio de

vazo para 1 Parmetro).
Varivel
Intervalo de Atuao
GP 11
01-01-2006 01-01-2022
parmetro de controle e resoluo de 1%.
se inspecionar os efeitos dos controles foi realizada uma reconstruo da funo para
um caso considerando a existncia dos controles.
Os controles adicionados foram os seguintes:
Mnima presso de fundo de poo (BHP) para produtores: 180 kgf/cm2 ;
Mxima presso de fundo de poo (BHP) para injetores: 220 kgf/cm2 ;
Monitoramento de corte de gua: interromper simulao para valores maiores
que 95%.
A funo passou a apresentar dois picos (Figura 5.14), sendo o mximo global
correspondente a uma menor produo do poo P-1 (menor IP). Essa diferena de
comportamento tem como principal causa a opo de monitoramento do corte de gua,
uma vez que os controles de presso no foram ativados durante a simulao.
Captulo 5. Aplicaes
62
Figura 5.14: Comportamento da Funo Objetivo para o Caso 1 com contraste 3:1:
Efeito dos controles secundrios.
No estgio final da produo do campo, onde j se tem uma considervel produo
de gua, o ganho incremental resultante do leo produzido inferior s perdas incrementais devidas produo de gua. Em virtude desse fato, ao usar o monitoramento
do corte de gua, as simulaes que produzirem por mais tempo tero uma depreciao do VPL, caracterizando o vale em torno do valor 60 da abscissa. Utilizando o
parmetro de controle igual a 60 (vale observado), tem-se o crescimento suave do corte
de gua e uma extenso do tempo total de produo do campo, resultando no aspecto
verificado na figura 5.14.
Pode-se observar da comparao das figuras 5.12 e 5.14 que, em funo da utilizao
dos controles secundrios adicionais, os resultados do VPL foram melhores. Entretanto, optou-se por trabalhar nos estudos de otimizao com o modelo sem controles como
premissa do estudo por duas razes. Primeiramente, porque essa uma maneira de
uniformizar os resultados, mantendo todas as simulaes em condies bem controladas. Adicionalmente, mantivemos os modelos sem os controles secundrios, pois nas
situaes reais, com os prazos de concesso usuais praticados (25 anos), no se atinge
condies to crticas de corte de gua para o campo que resultem na depreciao do
VPL como observado (figura 5.14) e esse comportamento perde seu efeito. De fato, o
modelo do caso 1 tem caractersticas muito peculiares que no reproduzem as condies
Captulo 5. Aplicaes
63
reais de campo.
5.2.2
Funo Objetivo 2 Variveis de Controle
Similarmente, foi reproduzida a funo objetivo para duas variveis de controle. Nesse
caso, a primeira varivel a mesma utilizada na seo anterior e a segunda se d seis
anos aps o incio da produo (que uma estimativa do instante de erupo de gua).
Na tabela 5.9, esto indicados os intervalos de atuao onde as variveis utilizadas
so aplicadas na simulao. A figura 5.15 apresenta um esquema dos intervalos de
atuao das variveis.
Tabela 5.9: Parmetros de Controle - instantes de definio das variveis de rateio de
vazo para 2 Parmetros.
Varivel
Intervalo de Atuao
GP 11
01-01-2006 01-01-2012
GP 12
01-01-2012 01-01-2022
40
30
G P12
20
G P11
10
Vazo de L
0
2008
2010
2012
2014
T e m p o (D a t e )
2016
2018
2020
2022
Figura 5.15: Esquema do Intervalo de Atuao do Controle para duas Variveis

As figuras 5.16 e 5.17 apresentam, respectivamente, o comportamento das curvas
de nvel da funo objetivo para os contrastes de 3:1 e 20:1 para uma resoluo do
grfico de 2%.
Notadamente, percebe-se um comportamento bastante regular em ambas as situaes e a manuteno da tendncia verificada para a reconstruo feita com uma var-
Captulo 5. Aplicaes
64
parmetros de controle e resoluo de 2%.
ivel, onde os valores que maximizam a funo correspondem s maiores produes
atravs do poo de menor produtividade.
Para o nosso caso de interesse (contraste de 3:1), o ponto de mximo se encontra
nas coordenadas (56%, 63%).
Igualmente ao que se pode observar para o caso com uma nica varivel, o efeito
dos controles causa uma irregularidade expressiva no comportamento da funo (figura
5.18).
Aqui valem os mesmos comentrios a respeito desse comportamento feitos para o
comportamento observado com 1 parmetro utilizando controles adicionais.
Na verdade, fazendo sees fixando o parmetro GP 11 , observa-se que a feio dos
grficos obtidos assim similar ao observado para a situao de uma s varivel com
controles (Figura 5.14), isto , uma regio de vale no entorno do valor 60 para varivel
GP 12 . Analogamente, fazendo sees fixando GP 12 , as curvas resultantes tm feio
similar ao verificado para uma varivel sem controles adicionais (Figura 5.12).
O fato que a varivel GP 11 comanda o comportamento no perodo inicial da
simulao, onde o efeito dos controles no repercute na depreciao do VPL, enquanto
o parmetro GP 12 comanda o perodo final, onde so sentidas as conseqncias do
monitoramento do corte de gua. Da porque as sees do grfico para 2 parmetros
com controles secundrios apresentam as feies destacadas anteriormente.
Captulo 5. Aplicaes
65
parmetros de controle e resoluo de 2%.
Figura 5.18: Comportamento da Funo Objetivo para o Caso 1 com contraste 3:1:
Efeito dos controles secundrios.
Captulo 5. Aplicaes
5.2.3
66
Funo Objetivo 4 Variveis de Controle
O problema com 4 variveis foi montado subdividindo os intervalos utilizados no caso

com duas variveis. Foi definido uma nova varivel (GP 13 ) no meio do intervalo entre
as variveis GP 11 e GP 12 e outra (GP 14 ) 2 anos aps a GP 12 .
A tabela 5.10 destaca os instantes onde as variveis utilizadas so aplicadas e a
figura 5.19 esquematiza esses intervalos.
Tabela 5.10: Parmetros de Controle - instantes de definio das variveis de rateio de
vazo para 4 Parmetros e valores timos.
Parmetro
Intervalo de Atuao
Parmetros que Maximizam
GP 11
01-01-2006 01-01-2009
25%
GP 12
01-01-2012 01-01-2015
65%
GP 13
01-01-2009 01-01-2012
60%
GP 14
01-01-2015 01-01-2022
60%
40
30
G P13
20
G P11
G P14
10
Vazo de L
G P12
0
2008
2010
2012
2014
T e m p o (D a te )
2016
2018
2020
2022
Figura 5.19: Esquema do Intervalo de Atuao do Controle para quatro Variveis

Pela impossibilidade de visualizao da funo com 4 variveis de controle, foram
feitas sees nas coordenadas que maximizam o VPL. O comportamento das sees
apresentadas (Figura 5.20, 5.21, 5.22) continua sendo bastante regular e com tendncia
de mximos com valores elevados das variveis.
Um ponto bastante relevante desse comportamento regular da funo objetivo observado para as reconstrues utilizando 1, 2 e 4 variveis diz respeito a possibilidade
Captulo 5. Aplicaes
67
Figura 5.20: Sees dos Mximos passando pelos parmetros 1 e 4, 2D (esq.) e 3D

(dir.) resoluo de 5%.

Captulo 5. Aplicaes
68

de uso de modelos substitutos da funo. Essa regularidade e convexidade global apresentadas nas discusses acima favorecem o uso dos algoritmos apresentados no captulo
anterior, exceto o algoritmo gentico, cujo desempenho mais independente das caractersticas da funo envolvida.
Entretanto, mesmo para o comportamento no to regular e globalmente convexo
resultante da aplicao de controles adicionais de poo e monitoramento de corte de
gua, ainda se tem condies bem favorveis s aplicaes propostas com o Algoritmo
Simplex, o de Busca Direta em Padres e o DFO de Conn et al. Possivelmente, o DFO
pela sua prpria caracterstica de modelagem quadrtica substituta da funo objetivo
possa ter mais dificuldade.
Um outro aspecto interessante que se pode observar a partir dos resultados da
funo objetivo para 1, 2 e 4 variveis de controle que h uma relao forte entre
os mximos obtidos a cada subdiviso do tempo. Os valores obtidos para os mximos com poucos parmetros parecem ser uma boa estimativa para os mximos com
mais parmetros. Isso sinaliza para boas possibilidades de concepo de estratgias de
parametrizao do problema que resultem ganhos de eficincia.
Captulo 6
Resultados
Foi estudado o desempenho dos algoritmos descritos no Captulo 4, realizando otimizaes nos casos de aplicao 1 e 2, detalhados no Captulo 5. Dadas as caractersticas
dos mtodos abordados, os processos de otimizao resultavam em elevado esforo
computacional, demandando diversas simulaes de fluxo.
Adiante, detalhar-se- os resultados obtidos para as otimizaes do ponto de vista
matemtico e da carga computacional, bem como ser analisado o comportamento
fsico das melhores solues encontradas. Dessa maneira, ser possvel comparar o
desempenho dos algoritmos e identificar peculiaridades do processo fsico que resultam
em melhores resultados.
A tabela 6.1 apresenta um resumo dos critrios de parada utilizados pelos algoritmos
estudados na pesquisa. Essa tabela servir para orientar as anlises das subsees de
desempenho dos algoritmos.
6.1
6.1.1
Otimizao do Caso 1
Descrio Geral
Para o Caso 1, foram realizados 26 ciclos de otimizao, envolvendo os diversos algoritmos abordados nesse trabalho (Nelder-Mead Simplex, Busca Direta em Padres, DFO,
Algoritmo Gentico). Dentro dos estudos com um mesmo algoritmo foram realizados
testes ora modificando os pontos de partida, ora alterando alguma opo especfica do
algoritmo.
Exceto no Algoritmo Gentico, em todos os algoritmos foram feitos teste partindo
dos trs casos base e de cinco pontos estimados aleatoriamente. A tabela 6.2 resume os
testes que sero realizados com a indicao da respectiva estimativa inicial e legenda
69
Captulo 6. Resultados
70
Tabela 6.1: Resumo dos Critrios de Parada do Algoritmos de Otimizao. (1) Nas
aplicaes iniciadas aleatoriamente, restringiu-se a 100 o nmero mximo de iteraes.
Algoritmo
Nelder-Mead Simplex
Pattern Search
DFO
Algoritmo Gentico
Critrio de Parada
Caso 1
Caso 2
Tolerncia na Funo Objetivo
1.0
1.0
Tolerncia nas Variveis
0.1
0.1
Tolerncia na Funo Objetivo
1.0
1.0
Tolerncia nas Variveis
0.1
0.1
Tolerncia na Dimenso da Malha
0.01
0.01
Nmero Mximo de Iteraes
1.200
3.000
Nmero Mximo de Simulaes
2.500
5.000
Mnimo Raio da Regio de Confiana
0.1
0.1
Nmero Mximo de Iteraes
5.000
5.000
Nmero Mximo de Simulaes
5.000
5.000
Nmero Mximo de Geraes
20 / 100
20
correspondente.
As estimativas iniciais obtidas randomicamente para o Pattern Search e DFO so
iguais entre si, porm so diferentes das estimativas utilizadas para os casos envolvendo
o algoritmo de Nelder-Mead com incio aleatrio.
As opes especficas usadas na aplicao de cada um desses algoritmos esto
definidas no Capitulo 4.
Como o Algoritmo Gentico baseado numa populao de solues candidatas,
obtidas aleatoriamente, a investigao do ponto inicial no pertinente.
Entretanto, foram realizados testes para duas diferentes configuraes de diversidade das populaes. Um teste com mais indivduos e menos geraes e outro o oposto,
porm ambas com a mesma carga computacional total.
A tabela 6.3 apresenta a descrio dos casos de aplicao ao Caso 1 utilizando o
Algoritmo Gentico.
As opes especficas usadas na aplicao do Algoritmo Gentico tambm esto
definidas no Capitulo 4.
71
Tabela 6.2: Casos de Otimizao: Pontos de Partida.

Ponto de Partida
Casos de Teste
Simplex
Pattern Search
DFO
Caso 1-A
NMS_50(EQUAL)
PSA_50(EQUAL)
DFO_50(EQUAL)
Caso 1-B
NMS_25(IP)
PSA_25(IP)
DFO_25(IP)
Caso 1-C
NMS_75(INV_IP) PSA_75(INV_IP) DFO_75(INV_IP)
aleatrio
NMS(RND#1)
PSA(RND#1)
DFO(RND#1)
aleatrio
NMS(RND#2)
PSA(RND#2)
DFO(RND#2)
aleatrio
NMS(RND#3)
PSA(RND#3)
DFO(RND#3)
aleatrio
NMS(RND#4)
PSA(RND#4)
DFO(RND#4)
aleatrio
NMS(RND#5)
PSA(RND#5)
DFO(RND#5)
Tabela 6.3: Casos de Otimizao usando Algoritmos Genticos: Descrio.

Casos
Descrio
EGA_G20P100 20 Geraes com Populao de 100 indivduos

EGA_G100P20 100 Geraes com Populao de 20 indivduos
6.1.2
Comportamento Fsico
As curvas de produo acumulada de leo para alguns dos casos esto apresentadas na
figura 6.1. Do mesmo modo, a figura 6.2 exibe as curvas de corte de gua.
possvel notar que todos os resultados apresentaram um comportamento bastante
similar das curvas de produo acumulada de leo, exceo da soluo obtida pelo
Algoritmo Simplex partindo do caso 1-B NMS_25(IP). Este de fato foi um resultado
bastante ruim, com um VPL bastante inferior aos demais, confirmado pelo aspecto da
sua curva de produo acumulada quando comparada com as outras solues.
Similarmente, as curvas de corte de gua ficaram bastante prximas, variando pouco
entre si. Igual ao observado nas curvas de produo acumulada de leo, a curva resultante da otimizao usando o Simplex e partindo do caso 1-B, teve um comportamento
muito diferente.
Uma vez que se observam similaridades nos resultados globais para o campo inteiro,
interessante identificar padres nas solues que implicam em respostas bastante
melhoradas do VPL.
A figura 6.3 exibe o perfil de produo do poo P-1 para os cinco melhores resultados
obtidos pelos processos de otimizao. possvel destacar um perfil de produo
72
1.20e+5
1.00e+5
8.00e+4
6.00e+4
4.00e+4
Cumulative
2.00e+4
0.00e+0
2008
2010
NMS_50
NMS_25
NMS_75
2012
2014
Time (Date)
PSA_50
PSA_25
PSA_75
2016
2018
DFO_50
DFO_25
DFO_75
2020
2022
GA_P100
GA_P20
Figura 6.1: Curvas de Produo Acumulada de leo para as solues obtidas pelas
otimizaes.
100
80
60
40
Water Cut SC
20
0
2011-7
2012-1
NMS_50
NMS_25
NMS_75
2012-7
2013-1 2013-7
Time (Date)
PSA_50
PSA_25
PSA_75
2014-1
2014-7
DFO_50
DFO_25
DFO_75
2015-1
2015-7
GA_P100
GA_P20
Figura 6.2: Curvas de Corte de gua para as solues obtidas pelas otimizaes
73
OTIMIZACAO DE PRODUCAO
P-1 PSA_NT_24P_50\simulacao.irf
P-1 EGA_NT_24P_P100\simulacao.irf
30
30
20
20
10
10
2008
2010
2012
Liquid Rate SC
2014
Time (Date)
2016
2018
Oil Rate SC
2020
2022
0
2008
Water Rate SC
2010
P-1 PSA_NT_24P_25\simulacao.irf
30
20
20
10
10
2012
Liquid Rate SC
2014
Time (Date)
2016
2018
Oil Rate SC
2020
2022
0
2010
2014
Time (Date)
2016
2018
Oil Rate SC
2020
2022
Water Rate SC
P-1 NMS_NT_24P_50\simulacao.irf
30
2008
2012
Liquid Rate SC
Water Rate SC
0
2008
2010
Liquid Rate SC
2012
2014
Time (Date)
2016
Oil Rate SC
2018
2020
2022
Water Rate SC
PSA_NT_24P_75simul ac ao.irf
30
20
10
0
2008
2010
Liquid Rate SC
2012
2014
Time (Date)
2016
Oil Rate SC
2018
2020
2022
Water Rate SC
Figura 6.3: Perfil de Produo do poo P-1 para os 5 melhores resultados das otimizaes.
padro observando o comportamento dos cinco casos.
Percebe-se uma tendncia bem definida, onde inicialmente procura-se produzir
pouco, perto do mnimo, atravs do poo P-1 (poo de menor IP). Depois, algum
tempo antes do breakthrough, inverte-se essa tendncia, fazendo o poo produzir no seu
nvel mximo at pouco depois do instante da erupo de gua. Nesse momento, h
uma reduo leve da vazo desse poo, porm mantendo-o com a maior produo.
Um aspecto importante do mecanismo fsico ideal se refere ao comportamento da
frente de avano da gua injetada. H um pressuposto terico de que a situao ideal
de produo aquela onde as vazes de produo e injeo so definidas tais que a
taxa com que o leo varrido seja praticamente uniforme no reservatrio, de modo que
nenhum poo produtor venha a produzir o fluido injetado antes dos demais. Esse um
fato reportado na literatura por Horne [36] e referido em outras publicaes [82].
A tabela 6.4 traz um resumo dos resultados alcanados nos ciclos de otimizao
realizados para o Caso 1, destacando aspectos relativos erupo de gua nos poos e
a diferena dos seus instantes de ocorrncia.
Abaixo est apresentado o comportamento da frente de gua para as trs melhores
solues obtidas nos processos de otimizao (Figura 6.5) e suas respectivas estimativas
74
Tabela 6.4: Resumo dos Resultados das Otimizaes: Breakthrough - Resultados em

Ordem Decrescente de Valor Final de Funo Objetivo.
Or.
Casos
PSA_75(INV_IP)
PSA_50(EQUAL)
PSA_25(IP)
PSA(RND#3)
EGA_G20P100
PSA(RND#1)
PSA(RND#4)
PSA(RND#5)
EGA_G100P20
10
PSA(RND#2)
11
NMS_50(EQUAL)
12
DFO(RND#5)
13
NMS(RND#5)
14
DFO_75(INV_IP)
15
DFO_25(IP)
16
DFO(RND#4)
17
DFO(RND#1)
18
DFO_50(EQUAL)
19
DFO(RND#3)
20
NMS(RND#4)
21
NMS(RND#1)
22
NMS(RND#2)
23
DFO(RND#2)
24
NMS(RND#3)
25
26
Data do 1o
Data do 2o
Diferenas de
Breakthrough
Breakthrough
Breakthrough (meses)
14 07 2012 08 12 2012
06 06 2012 25 12 2012
25 07 2012 25 11 2012
5
7
4
23 07 2012 03 12 2012
26 07 2012 09 12 2012
28 06 2012 28 12 2012
27 06 2012 05 12 2012
6
5
27 06 2012 05 12 2012
28 07 2012 18 11 2012
24 07 2012 19 11 2012
20 06 2012 31 12 2012
29 07 2012 04 12 2012
19 06 2012 08 12 2012
23 06 2012 26 11 2012
12 09 2012 26 10 2012
28 07 2012 13 11 2012
26 06 2012 18 11 2012
21 08 2012 29 10 2012
25 09 2012 08 10 2012
16 08 2012 09 11 2012
21 08 2012 14 11 2012
NMS_75(INV_IP) 11 07 2012 08 12 2012
NMS_25(IP)
01 06 2012 12 12 2012
26 07 2012 09 11 2012
19 07 2012 12 02 2013
08 08 2011 18 05 2015
46
75
W ater Saturation 2012-03-28.71621
K lay er: 1
K layer: 1
100
20 0
3 00
400
500
100
20 0
3 00
400
K lay er: 1
500
520.00 f eet
8 0.00
160.0 0 meters
0.00
260.00
520.00 f eet
0.00
8 0.00
160.0 0 meters
- 200
- 200
- 300
- 300
- 400
- 400
- 200
- 300
- 400
0.90
0.8 0
0.80
0.70
0.6 0
0.60
0.5 0
0.50
0.4 0
0.40
0.3 0
0.30
0.20
0.1 0
P- 2
P-1
0.00
100
20 0
3 00
400
500
0.10
P- 2
0
0.0 0
P-1
100
20 0
3 00
400
- 500
500
1.00
0.9 0
0.2 0
- 500
400
- 500
3 00
8 0.00
- 400
- 400
- 400
0.20
260.0
- 300
0.40
0.00
0.00
0.7 0
- 300
0.50
- 300
P-1
20 0
- 200
0.60
- 200
- 200
0.70
0.10
100
500
- 100
0.80
0.30
P- 2
400
I- 1
1.0 0
- 100
- 100
1.00
0.90
3 00
0
260.00
- 100
- 100
I- 1
0.00
0.00
20 0
I- 1
100
- 100
500
0.00
Figura 6.4: Frente de Avano da Saturao de gua no instante do Breakthrough para

as Estimativas Iniciais das trs melhores otimizaes.
K layer: 1
400
K layer: 1
500
100
20 0
3 00
400
K layer: 1
500
520.00 f eet
8 0.00
160.0 0 meters
I- 1
- 100
- 100
260.00
520.00 f eet
8 0.00
160.0 0 meters
- 300
- 300
0.6 0
- 400
0.4 0
P- 2
0
0.0 0
80 .00
P-1
100
20 0
3 00
400
500
1.00
0.90
0.90
0.80
0.80
0.70
0.70
0.60
0.60
0.50
0.50
0.40
0.40
0.30
0.30
0.20
0.20
0.10
P- 2
0.00
P- 1
1 00
200
300
400
50 0
-5 00
500
260.0
0.10
- 500
400
- 500
3 00
1.00
0.00
0.00
-4 00
- 400
- 400
0.2 0
-3 00
- 300
0.5 0
- 400
- 300
0.7 0
- 300
P-1
20 0
50 0
-2 00
- 200
- 200
- 400
- 200
- 200
- 200
0.8 0
0.1 0
100
400
-1 00
- 100
- 100
1.0 0
260.00
0.3 0
P- 2
300
I-1
0.00
0.00
0.9 0
200
0.00
0.00
I- 1
1 00
3 00
- 100
20 0
100
Figura 6.5: Frente de Avano da Saturao de gua no instante do Breakthrough para

as trs melhores otimizaes.
iniciais (Figura 6.4). A melhor soluo teve como estimativa inicial o caso 1-C (distribuio das vazes inversamente proporcional ao IP dos poos). A segunda melhor
soluo partiu do caso 1-A (distribuio igualitria das vazes) e a terceira do caso 1-B
(distribuio proporcional ao IP dos poos).
possvel perceber dos mapas de saturao de gua das estimativas iniciais uma
forte no uniformidade, em especial para a estimativa da terceira melhor soluo onde
se parte da distribuio proporcional ao IP. Especificamente nesse caso, a diferena
entre o breakthrough dos poos de 49 meses.
Aps o processo de otimizao percebe-se uma homogeneizao da frente de avano
da gua, melhorando o varrido da rea quando comparado com as estimativas iniciais.
Na melhor soluo resultante das otimizaes, observa-se inclusive que houve uma
inverso de tendncia, fazendo com que o poo P-2 produza gua antes.
Fica claro tambm a partir dos mapas apresentados na figura 6.5 uma coerncia
entre as frentes de avano para as trs solues de melhor desempenho. Essa feio
0.00
76
30
20
10
L iq id R a t
2008
2010
2012
2014
2016
Time (Date)
Liquid Rate SC
Oil Rate SC
2018
2020
2022
Water Rate SC
Figura 6.6: Tendncia de Perfil de Produo para melhores solues

muito similar para as outras solues que tiveram um desempenho razovel.
Alm disso, todos os processos de otimizao resultaram em alguma reduo da
diferena entre a erupo de gua nos poos (Tabela 6.4), ainda que os resultados
de menor diferena no correspondam estritamente aos melhores resultados de VPL.
Percebe-se que quando a diferena de breakthrough grande o resultado no VPL
ruim, de modo que preciso certo nvel de uniformidade na erupo da gua para
se obter bons resultados. Entretanto, abaixo desse nvel, as redues na diferena de
breakthrough no tm reflexo no VPL. Conclui-se disso que a reduo da diferena entre
as erupes de gua nos poos uma condio necessria otimizao da produo,
porm no suficiente.
O padro de controle dos poos observado e discutido com base na figura 6.3
capaz de promover uma homogeneizao da frente de avano de gua, resultando em
erupes de gua mais uniformes nos poos. Isso tem reflexos positivos no VPL.
A figura 6.6 tenta reproduzir a tendncia de operao declarada acima. Aqui temos
o poo P-1 produzindo 10m3 /dia at junho de 2010, quando passa a produzir 30m3 /dia
por trs anos. A partir da, mantm-se a produo em 24m3 /dia, equivalente a 60%
da capacidade da plataforma.
Para esse perfil de produo, o resultado muito bom, apresentando um VPL de
1.493.552, 47 e uma diferena de 3 meses entre a erupo de gua dos poos. O primeiro
77
Water Saturation 2012-08-27.83643 K layer: 1
200
300
400
Water Saturation 2012-11-21.11541 K layer: 1
500
600
100
200
300
400
500
600
100
520.00 feet
0.00
80.00
160.00 meters
I-1
0.00
260.00
520.00 feet
0.00
80.00
160.00 meters
-100
260.00
-100
0.00
I-1
-100
-100
1.00
-200
-200
-300
0.80
0.70
0.60
-300
-300
-500
200
300
400
500
-400
0.20
600
P-1
100
200
300
400
500
600
Figura 6.7: Mapa de Saturao de gua no Primeiro breakthrough (esq.) e no ltimo

(dir.) para a reproduo da tendncia das solues melhores
breakthrough ocorre em 27-08-2012 e o segundo em 21-11-2012. A figura 6.7 mostra os
mapas de saturao de gua nos dois instante de erupo de gua nos poos para o
perfil de produo indicado na figura 6.6.
Essa observao levanta o ponto de qual a subdiviso ideal do tempo para esse
tipo de problema. O bom resultado obtido pela reproduo simplificada do perfil de
produo das melhores solues indica que existe uma discretizao ideal do tempo,
onde se consegue alcanar excelentes resultados com um esforo bem menor, fruto da
reduo do nmero de parmetros.
6.1.3
0.20
0.10
P-2
0.00
-500
100
-500
P-1
0.30
-400
-400
P-2
0.50
0.40
-500
-400
0.40
0.10
0.70
0.60
0.50
0.30
1.00
0.90
-200
0.80
-300
-200
0.90
Desempenho dos Algoritmos
Um resumo dos resultados obtidos para os ciclos de otimizao referente ao desempenho

dos algoritmos est apresentado na tabela 6.5, onde esto contidos os valores da funo
objetivo encontrados em cada caso, sua evoluo em relao ao ponto de partida quando
existente, bem como o esforo computacional realizado.
A Tabela 6.6 sumariza o esforo computacional realizado. Nela esto indicados o
total de iteraes e o total de simulaes necessrias para a obteno dos resultados.
A figura 6.8 apresenta a relao entre o valor da funo objetivo final para cada
algoritmo e o nmero de simulaes necessrias para obt-la.
Adiante ser apresentada uma avaliao individual do desempenho de cada algoritmo, destacando sua eficincia em melhorar a funo objetivo, o custo computacional
necessrio para isso e a robustez perante diferentes estimativas iniciais. Em seguida,
0.00
78
Tabela 6.5: Resumo dos Resultados das Otimizaes: Desempenho na Funo Objetivo
- Resultados em Ordem Decrescente de Valor Final de Funo Objetivo.
Ordem
Casos
Valor Inicial da
Valor Final da
Evoluo (%) da
Funo Objetivo Funo Objetivo Funo Objetivo

1
PSA_75(INV_IP)
1.485.606, 59
1.493.739, 13
0, 55
PSA_50(EQUAL)
1.489.831, 96
1.493.710, 76
0, 26
PSA_25(IP)
1.441.982, 46
1.493.697, 05
3, 59
PSA(RND#3)
1.484.902, 44
1.493.565, 43
0, 58
EGA_G20P100
Caso 1-A / 1-B
1.493.543, 20
0, 25/3, 58
PSA(RND#1)
1.490.671, 53
1.493.519, 54
0, 19
PSA(RND#4)
1.488.532, 14
1.493.425, 15
0, 33
PSA(RND#5)
1.484.716, 13
1.493.365, 62
0, 58
EGA_G100P20
Caso 1-A / 1-B
1.493.346, 70
0, 24/3, 56
10
PSA(RND#2)
1.486.574, 08
1.493.238, 68
0, 44
11
NMS_50(EQUAL)
1.489.831, 96
1.493.152, 97
0, 23
12
DFO(RND#5)
1.484.716, 13
1.493.133, 00
0, 57
13
NMS(RND#5)
1.490.501, 07
1.493.059, 59
0, 17
14
DFO_75(INV_IP)
1.485.606, 59
1.493.039, 00
0, 50
15
DFO_25(IP)
1.441.982, 46
1.492.979, 00
3, 54
16
DFO(RND#4)
1.488.532, 14
1.492.933, 00
0, 30
17
DFO(RND#1)
1.490.671, 53
1.492.832, 00
0, 14
18
DFO_50(EQUAL)
1.489.831, 96
1.492.776, 00
0, 20
19
DFO(RND#3)
1.484.902, 44
1.492.553, 00
0, 52
20
NMS(RND#4)
1.489.978, 72
1.492.333, 95
0, 16
21
NMS(RND#1)
1.491.527, 99
1.492.216, 41
0, 05
22
NMS(RND#2)
1.486.574, 08
1.492.085, 26
0, 18
23
DFO(RND#2)
1.486.574, 08
1.491.488, 00
0, 33
24
NMS(RND#3)
1.488.181, 82
1.491.293, 17
0, 21
25
NMS_75(INV_IP)
1.485.606, 59
1.489.268, 14
0, 25
26
NMS_25(IP)
1.441.982, 46
1.450.680, 60
0, 60
79
Tabela 6.6: Resumo dos Resultados das Otimizaes: Esforo Computacional. (1)
Nmero mximo de simulaes atingido. (2) Nmero mximo de iteraes atingido
Ordem
Casos
Nmero de Nmero de
Interaes
Simulaes
PSA_75(INV_IP)
164
2.5001
PSA_50(EQUAL)
162
2.258
PSA_25(IP)
167
2.336
PSA(RND#3)
101
1.163
EGA_G20P100
20
2.100
PSA(RND#1)
1012
1.998
PSA(RND#4)
1012
1.530
PSA(RND#5)
101
1.116
EGA_G100P20
100
2.020
10
PSA(RND#2)
1012
1.500
11
NMS_50(EQUAL)
317
621
12
DFO(RND#5)
218
389
13
NMS(RND#5)
355
613
14
DFO_75(INV_IP)
142
267
15
DFO_25(IP)
249
465
16
DFO(RND#4)
155
276
17
DFO(RND#1)
258
495
18
DFO_50(EQUAL)
537
1.052
19
DFO(RND#3)
319
605
20
NMS(RND#4)
450
746
21
NMS(RND#1)
142
379
22
NMS(RND#2)
388
782
23
DFO(RND#2)
125
221
24
NMS(RND#3)
281
549
25
NMS_75(INV_IP)
328
654
26
NMS_25(IP)
1.156
1.424
80
1.494E+06
Funo Objetivo Final
1.493E+06
1.492E+06
1.491E+06
1.490E+06
1.489E+06
0
500
1000
1500
2000
2500
3000
Nmero de Simulaes
NMS PSA DFO EGA
Figura 6.8: Funo Objetivo Final por algoritmo versus Nmero Total de Simulaes
necessrio
ser feita uma avaliao final comparativa para o desempenho dos algoritmos aplicados
ao caso 1.
Nelder-Mead Simplex
O algoritmo de Nelder-Mead Simplex apresentou um comportamento razovel para
algumas das otimizaes realizadas, porm em grande parte dos casos seu desempenho
foi insatisfatrio.
O nmero de simulaes realizadas foi relativamente baixo, contudo o progresso
observado pelo algoritmo foi muito insignificante. Os resultados do algoritmo NM
foram os piores entre todos os casos trabalhados em termos de valor da funo objetivo
final (Tabela 6.5).
Nas figuras 6.9 e 6.11, tem-se dois exemplos da trajetria da funo objetivo obtida
com a aplicao do algoritmo Simplex.
A figura 6.9 mostra a evoluo da funo objetivo para o caso NMS_50(EQUAL).
Este foi o caso de melhor performance final do objetivo (1.493.152, 97u.m.) dentre os
casos que usaram o Simplex. Alm disso, esse melhor resultado foi obtido com 621
simulaes. Os perfis de produo inicial e final do caso NMS_50(EQUAL) podem ser
81
P-1
P-1
P-2
P-2
Figura 6.9: Trajetria da Funo Objetivo: Simplex NMS_50(EQUAL).
Figura 6.10:
Perfil de Produo Inicial (esq.)
e Final (dir.)
para o caso
NMS_50(EQUAL).
vistos na figura 6.10.
A trajetria da funo para o caso NMS_25(IP) est destacada na figura 6.11. O
resultado dessa otimizao foi o pior entre todos os 26 casos estudados. Este caso parte
do limite inferior das variveis de controle.
Notadamente, o algoritmo no conseguiu progredir como se pode observar na figura
6.12, mesmo depois de realizar 1.424 simulaes de fluxo. Em princpio, poder-se-ia
pensar que se trata de um problema de tratamento das restries, entretanto comportamento similar verificado para outras otimizaes partindo de pontos aleatrios
distantes das fronteiras.
Como reflexo dos resultados gerais, percebe-se a falta robustez do algoritmo, sendo
este bastante dependente da estimativa inicial para alcanar bons resultados.
82
0.60%
P-2
P-2
P-1
P-1
Figura 6.11: Trajetria da Funo Objetivo: Simplex NMS_25(IP).
Figura 6.12: Perfil de Produo Inicial (esq.) e Final (dir.) para o caso NMS_25(IP).
83
Busca Direta em Padres (Pattern Search)

A Busca Direta em Padres teve um desempenho muito bom nas aplicaes feitas ao
caso 1. Pensando em funo objetivo, as oito otimizaes usando este algoritmo ficaram
entre os dez melhores resultados.
Entretanto, todos os ciclos de otimizao do Pattern Search demandaram elevado nmero de simulaes de fluxo. Essa observao se torna menos crtica quando
se destaca a caracterstica desse algoritmo de ser plenamente paralelizvel. Em um
ambiente onde se tenha processadores suficientes disponveis, esses resultados seriam
obtidos com um tempo muito inferior. Uma discusso mais detalhada sobre os ganhos
com o processamento paralelo ser feita na anlise do caso 2.
O comportamento de alguns casos interessantes, obtido com o uso do algoritmo de
Busca Direta em Padres, est apresentado nas figuras 6.13, 6.14 e 6.15.
Figura 6.13:
Trajetria da Funo Objetivo:
Busca Direta em Padres
PSA_75(INV_IP): Melhor Resultado de Funo Objetivo 1.493.739, 13u.m..

Na figura 6.13, tem-se a trajetria da funo objetivo para o caso PSA_75(INV_IP).
Esse caso foi o que resultou no maior valor de funo obtido, dentre todas os 26 ciclos de otimizao realizados para o caso 1. Essa rodada atingiu o mximo nmero
de simulaes permitido (2.500), mas se pode inferir pela figura 6.13 que no se deve
esperar grandes progressos j que certo nvel de estagnao observado.
A maior evoluo de funo objetivo foi de 3, 59%, alcanada com o caso PSA_25(IP).
84
Figura 6.14: Trajetria da Funo Objetivo: Busca Direta em Padres PSA_25(IP):

Melhor Resultado de Evoluo da Funo Objetivo 3, 59%.
A figura 6.14 apresenta o grfico da trajetria da funo para esse caso. Vale ressaltar
nessa figura uma caracterstica desse mtodo de otimizao, onde o algoritmo evolui
muito rpido nas primeiras iteraes e depois demora bastante para perceber que est
no timo local, indicado pelo extenso plat da funo objetivo.
A figura 6.15 exemplifica o resultado para um caso cuja estimativa inicial obtida
randomicamente.
Todos os ciclos, inclusive os de inicializao randmica, chegaram a resultados de
bons a muito bons partindo de diferentes pontos. Isso confere ao Pattern Search uma
robustez significativa e uma alta chance de obterem-se valores de funo interessantes,
mesmo no sendo um algoritmo de otimizao global.
Derivative Free Optimization (DFO)
As otimizaes utilizando o DFO apresentaram um comportamento bastante interessante sob alguns aspectos, apesar dos resultados no serem to expressivos em termos
do valor da funo objetivo.
Um primeiro aspecto diz respeito ao nmero de simulaes necessrio, que de uma
maneira geral foi inferior quantidade de simulaes requerida pelos outros algoritmos.
Esse um ponto bastante interessante e positivo para essa abordagem, uma vez que a
85
Figura 6.15: Trajetria da Funo Objetivo: Busca Direta em Padres PSA(RND#1).

quantidade de simulaes uma questo extremamente crtica se considerarmos casos
reais onde o tempo de simulao considervel.
O outro aspecto relevante refere-se ao desempenho frente a pontos de partida distintos. Diferente do que ocorreu com o Simplex, o DFO conseguiu em todos os casos
garantir uma evoluo razovel, mesmo no tendo encontrado os melhores valores de
funo objetivo.
As figuras 6.16 e 6.17 apresentam alguns exemplos dos resultados com a aplicao
do DFO.
O DFO conseguiu a 2a melhor evoluo da funo objetivo (3, 54%) com o caso
DFO_25(IP). A figura 6.16 exibe a trajetria da funo objetivo para esse caso.
O caso DFO_25(IP) precisou de 465 simulaes para atender ao critrio de parada
(raio da regio de confiana inferior ao raio mnimo) e concluir o processo de simulao.
Entretanto, a partir da simulao #354 o algoritmo j tinha obtido o valor final da
funo. Dessa forma, com a implementao de alguma combinao de critrios de
parada possvel se obter um desempenho bem superior em termos do nmero de
avaliaes da funo objetivo necessrio - que j foi muito bom.
Analogamente, no caso DFO_75(INV_IP) tambm se tem um extenso plat da
funo objetivo (Figura 6.17). Para esse caso, a otimizao foi concluda com 267 simulaes, enquanto que um valor j muito prximo da soluo j tinha sido encontrado
Figura 6.16:
86
Derivative Free Optimization
DFO_25(IP): 2o Melhor Resultado de Evoluo da Funo Objetivo 3, 54%.
Figura 6.17:
DFO_75(INV_IP).
87
Figura 6.18: Trajetria da Funo Objetivo, da Mdia da Populao e Distncia entre

os Indivduos: Algoritmo Gentico com populao de 20 indivduos.
com 203 simulaes.
O melhor tratamento do inconveniente com os critrios de parada mencionado acima
melhoraria ainda mais os resultados do DFO, que j so interessantes.
Algoritmo Gentico
O Algoritmo Gentico o nico algoritmo de natureza estocstica dentre os estudados
nesse trabalho. Adicionalmente, trata-se de uma abordagem que baseada no uso
de populaes, de maneira que no h muito sentido em avaliar diversas estimativas
iniciais como fizemos com os outros algoritmos.
De um modo geral, os resultados do GA foram bons, pois se posicionaram bem em
termos do resultado final da funo objetivo quando comparado com os outros mtodos. Caso seja abordada alguma estratgia de paralelizao para o GA, o desempenho
observado se torna ainda mais interessante.
Imaginando um GA paralelo simples do tipo Mestre-Escravo numa arquitetura
de tantos ns escravos quantos sejam os indivduos da populao (20 ou 100 para os
testes realizados nesse estudo), os ganhos de tempo seriam expressivos. Seria possvel
ter uma reduo terica de 20 ou 100 vezes no tempo da otimizao, para os casos
EGA_G20P100 e EGA_G100P20, respectivamente.
As figuras 6.18 e 6.19 destacam os principais resultados obtidos com o Algoritmo
Gentico, para dois traos de diversidade das populaes de solues candidatas.
Fica claro pelo exame da figura 6.18 que a populao rapidamente se torna uniforme,
apresentando algumas alteraes ao longo das geraes devido a alguma mutao. A
88

os Indivduos: Algoritmo Gentico com populao de 100 indivduos.
funo objetivo conseguiu evoluir bem, embora no tenha alcanado os melhores resultados em termos de funo objetivo.
Quando se insere mais diversidade na populao, tornando-a maior (100 indivduos),
nota-se que a funo consegue evoluir mais (Figura 6.19). O resultado obtido com
essa configurao de populao o quinto melhor em termos de valor do objetivo. A
diversidade um fator muito importante nesse tipo de algoritmo e deve ser garantida
para se alcanar bons resultados.
6.2
6.2.1
Otimizao do Caso 2
Descrio Geral
Similar ao que foi feito para o caso 1, foram preparados diversos casos para otimizao aplicando os algoritmos abordados no captulo 4. Ao todo, foram 11 ciclos de
otimizao.
Por se tratar de caso que demanda mais esforo computacional devido s caractersticas do modelo e ao maior nmero de variveis, realizaram-se apenas as otimizaes
partindo dos casos base, sem proceder a otimizaes partindo de estimativas iniciais
aleatrias (Tabela 6.7).
Para o algoritmo gentico, em particular, o tamanho da populao (100 indivduos)
e o nmero de geraes (20) foram mantidos fixos e foram avaliadas duas situaes
que repercutem na diversificao dos indivduos ao longo das geraes modificando
a probabilidade de mutao. A tabela 6.8 apresenta a descrio dos dois casos de
89
Tabela 6.7: Casos de Otimizao aplicados ao Caso 2: Pontos de Partida.

Ponto de Partida
Casos de Teste
Simplex
Pattern Search
DFO
Caso 2-A
NMS_EQUAL
PSA_EQUAL
DFO_EQUAL
Caso 2-B
NMS_IP
PSA_IP
DFO_IP
Caso 2-C
NMS_INV_IP
PSA_INV_IP
DFO_INV_IP
Tabela 6.8: Casos de Otimizao usando Algoritmos Genticos: Descrio.

Casos
Descrio
EGA_1pp Probabilidade de 1% de ocorrncia de Mutaes

EGA_5pp Probabilidade de 5% de ocorrncia de Mutaes
aplicao do algoritmo gentico.
6.2.2
Comportamento Fsico
O modelo do Caso 2 bem mais complexo e rico em heterogeneidades quando comparado com o Caso 1 e dispe de uma quantidade bem superior de poos, alm de o
controle se dar tanto nos produtores quanto nos injetores. Considerada essa complexidade do modelo, no se pretende aqui identificar padres precisos de comportamento
como foi possvel para o caso simplificado tratado anteriormente. O objetivo dessa
seo destacar fenmenos mais gerais em nvel de plataforma e campo e como estes
esto se apresentando nas solues melhoradas obtidas.
A produo acumulada de leo para as solues encontradas pelas 11 otimizaes
e para os 3 casos base esto mostradas na figura 6.20.
As produes acumuladas de leo de todas as solues melhoradas foram superiores
aos casos base, exceto para o resultado do teste NMS_IP (pior resultado de VPL).
De certa forma, essa observao aponta para o fato de o processo de otimizao levar
a uma melhor drenagem do reservatrio, conseguindo varrer melhor o leo do meio
poroso.
A figura 6.21 apresenta uma comparao entre as curvas de corte de gua das
solues melhoradas e das estimativas iniciais. Tambm esto includas nos grficos
da figura 6.21 as curvas para os dois testes feitos com o GA, mesmo sendo subcasos
baseados numa populao inicial e sua comparao direta com os casos base no ter
relevncia para o padro de resposta das solues em relao s estimativas de partida.
90
4.00e+7
3.00e+7
2.00e+7
Cumulative Oil SC (m
1.00e+7
0.00e+0
2010
2015
Caso2_A_(EQUAL)
Caso2_B_(IP)
Caso2_C_(INV_IP)
2020
Time (Date)
NMS_(EQUAL)
NMS_(IP)
NMS_(INV_IP)
2025
PSA_(EQUAL)
PSA_(IP)
PSA_(INV_IP)
2030
DFO_(EQUAL)
DFO_(IP)
DFO_(INV_IP)
EGA_1pp
EGA_5pp
Figura 6.20: Curvas de Produo Acumulada de leo para as solues obtidas pelas
otimizaes.
80
80
60
60
40
40
Water Cut SC
Water Cut SC
20
2010
2015
2020
2025
2030
20
2010
2015
Time (Date)
Caso_2A
PSA_(EQUAL)
NMS_(EQUAL)
DFO_(EQUAL)
Caso_2C
PSA_(INV_IP)
80
80
60
60
40
40
Water Cut SC
Water Cut SC
20
2010
2015
2020
2025
Time (Date)
Caso_2B
PSA_(IP)
2030
2020
2025
2030
Time (Date)
NMS_(INV_IP)
DFO_(INV_IP)
20
0
2010
2015
2020
2025
2030
Time (Date)
NMS_(IP)
DFO_(IP)
EGA_1pp
EGA_5pp
Figura 6.21: Curvas de Corte de gua das Solues Otimizadas comparadas com as
Estimativas Iniciais: Caso 2A (sup. esq.), Caso 2B (inf. esq.), Caso 2C (sup. dir.) e
resultados do GA (inf. dir.).
91
Tabela 6.9: Resumo dos Resultados das Otimizaes: Breakthrough - Resultados em

Ordem Decrescente de Valor Final de Funo Objetivo.
Ordem
Casos
Data do 1o
Data do 2o
Diferenas de
Breakthrough
Breakthrough
Breakthrough (meses)
DFO_EQUAL
04-06-2008
28-09-2015
89
DFO_IP
01-10-2008
09-10-2013
61
PSA_IP
04-12-2007
01-07-2014
80
PSA_INV_IP
16-09-2008
27-08-2013
60
DFO_INV_IP
14-10-2008
01-11-2013
61
PSA_EQUAL
11-03-2008
01-01-2014
71
NMS_EQUAL
14-11-2007
31-08-2014
83
EGA_5pp
26-05-2007
01-01-2015
93
EGA_1pp
19-11-2007
14-03-2015
89
10
NMS_INV_IP
24-01-2007
01-07-2019
151
11
NMS_IP
24-01-2007
01-01-2019
145
possvel constatar que o processo de otimizao levou as estimativas inicias a

duas condies no excludentes entre si: a reduo do corte de gua final e o atraso
da evoluo deste corte. Os testes que por alguma razo tiveram o corte de gua final
superior ao do caso base correspondente garantiram ao menos a condio de retardo
da chegada da gua.
Esse um comportamento completamente desejvel do ponto de vista da melhoria
do VPL, pois representa a diminuio e postergao dos custos com tratamento.
Nessa linha de discusso sobre os efeitos da gua, um outro aspecto a ser avaliado
o comportamento da diferena entre o instante da ltima e da primeira erupo de gua
nos produtores. A tabela 6.9 traz essa informao para os diversos testes realizados
nesse trabalho.
Observando os dados da tabela 6.9 e comparando com as diferenas de breakthrough
dos casos base correspondentes (Tabela 5.7), percebe-se que todos os casos reduziram
essa diferena exceto o caso NMS_INV_IP que falhou claramente na otimizao. Essa
indicao coerente com a verificao dessa situao no Caso 1 e compatvel com a
referncia a essa condio feita na literatura [36].
Focando especificamente no comportamento individual dos poos, esto apresentados nas figuras 6.22, 6.23 e 6.24 os perfis de produo e injeo para os trs melhores
resultados de VPL, comparando-os com suas estimativas iniciais.
92
P-12
P-12
P-10
P-10
P-8
P-8
P-6
P-6
P-5
P-5
P-4
P-4
P-3
P-3
I-11
I-11
I-9
I-9
I-7
I-7
I-2
I-2
I-1
I-1
Figura 6.22: Perfil de Produo e Injeo Inicial (esq.) e Final (dir.) para o caso
DFO_EQUAL: Melhor Resultado de Funo Objetivo.
P-12
P-12
P-10
P-10
P-8
P-8
P-6
P-6
P-5
P-5
P-4
P-4
P-3
P-3
I-11
I-11
I-9
I-9
I-7
I-7
I-2
I-2
I-1
I-1
DFO_IP: 2o Melhor Resultado de Funo Objetivo.
93
P-12
P-12
P-10
P-10
P-8
P-8
P-6
P-6
P-5
P-5
P-4
P-4
P-3
P-3
I-11
I-11
I-9
I-9
I-7
I-7
I-2
I-2
I-1
I-1
PSA_IP: 3o Melhor Resultado de Funo Objetivo.
Diferente da anlise dos resultados do Caso 1, esse caso por demais complexo e
a forte interdependncia dos poos dificulta a anlise de padres mais especficos no
nvel dos poos.
Entretanto, em todos os casos otimizados os poos PROD-5, PROD-6, PROD-8
e PROD-10 produziram mais em detrimento dos poos PROD-3 e PROD-4 independente do ponto de partida. O poo PROD-12 foi o nico que teve um comportamento
realmente diferenciado, produzindo muito quando a estimativa inicial foi proporcional
ao IP dos poos e pouco quando os poos iniciaram com a produo igual em todos os
poos.
Com relao aos perfis de injeo, as tendncias so menos evidentes, porm aparenta
que a injeo se concentra nos poos INJ-1, INJ-9 e INJ-11 em detrimento dos poos
INJ-2 e INJ-7.
Assim como foi observado no Caso 1, possvel perceber tambm oportunidades de
subdividir melhor o tempo nesse Caso2. Observando as figuras 6.22, 6.23 e 6.24, notase certa uniformidade temporal das vazes dos poos de modo que, embora apresente
algumas variaes localizadas, abre possibilidades para buscar novas parametrizaes
para esse problema.
94
Tabela 6.10: Resumo dos Resultados da Otimizaes: Desempenho na Funo Objetivo

- Resultados em Ordem Decrescente de Valor Final de Funo Objetivo.
Ordem
Casos
Valor Inicial da
Valor Final da
Evoluo (%) da
Funo Objetivo
Funo Objetivo
Funo Objetivo
DFO_EQUAL
262.102.382, 97
316.387.500, 00
20, 71
DFO_IP
255.499.559, 62
313.941.900, 00
22, 87
PSA_IP
255.499.559, 62
304.675.826, 31
19, 25
PSA_INV_IP
266.303.061, 53
302.234.062, 72
13, 49
DFO_INV_IP
266.303.061, 53
298.775.500, 00
12, 19
PSA_EQUAL
262.102.382, 97
295.866.994, 67
12, 88
NMS_EQUAL
262.102.382, 97
281.812.497, 54
7, 52
EGA_5pp
Caso 2-B / 2-C
281.307.636, 01
10, 10 / 5, 63
EGA_1pp
Caso 2-B / 2-C
273.676.645, 92
7, 11 / 2, 77
10
NMS_INV_IP
266.303.061, 53
266.615.658, 19
0, 12
11
NMS_IP
255.499.559, 62
261.842.848, 15
2, 48
6.2.3
Desempenho dos Algoritmos
De uma maneira geral, o desempenho foi muito bom quando se observa os resultados
obtidos para a funo objetivo. A tabela 6.10 apresenta o resumo dos resultados
alcanados para a funo objetivo, bem como sua evoluo em relao estimativa
inicial.
Vale destacar o ganho expressivo no resultado final da funo que foi conseguido
com a manipulao adequada das vazes dos poos. Para a maioria dos casos o ganho
foi superior aos 10%, o que representa uma melhoria significativa em qualquer projeto. Esses resultados reforam a importncia desse problema e a pertinncia de seu
tratamento no mbito da indstria.
Por se tratar de uma aplicao que envolve um nmero maior de variveis de controle, observa-se um aumento do esforo computacional. O total de iteraes e simulaes requerido para os casos estudados com o Caso 2 est resumido na tabela 6.11.
A figura 6.25 apresenta a relao entre o valor da funo objetivo final para cada
algoritmo e o nmero de simulaes necessrias para obt-la.
Assim como foi feito para os resultados do Caso 1, sero apresentados e discutidos
nessa seo os resultados individuais de cada algoritmo, objetivando fazer a comparao
dos seus desempenhos.
95
Tabela 6.11: Resumo dos Resultados das Otimizaes: Esforo Computacional. (1)
Interrupo por Estagnao. (2) Interrupo por Alterao na Mdia Inferior ao limite.
(3) Interrupo por Problemas Tcnicos.
Ordem
Casos
Nmero de Nmero de
Interaes
Simulaes
DFO_EQUAL
768
1.4621
DFO_IP
682
1.3281
PSA_IP
181
4.986
PSA_INV_IP
101
1.579
DFO_INV_IP
505
964
PSA_EQUAL
245
4.999
NMS_EQUAL
1.756
2.278
EGA_5pp
20
656
EGA_1pp
2132
10
NMS_INV_IP
66
1.934
11
NMS_IP
1.735
2.2433
3.20E+08
Funo Objetivo Final
3.10E+08
3.00E+08
2.90E+08
2.80E+08
2.70E+08
2.60E+08
0
1000
2000
3000
4000
5000
Nmero de Simulaes
NMS
PSA
DFO
EGA
Figura 6.25: Funo Objetivo Final por algoritmos versus Nmero Total de Simulaes
necessrio
96
Figura 6.26: Trajetria da Funo Objetivo: Simplex NMS_IP: Pior resultado em

termos de Evoluo de Funo Objetivo.
A seguir, encontra-se o detalhamento dessas anlises, focando no comportamento da funo objetivo ao longo da evoluo dos processos de otimizao e na carga
computacional demandada para soluo do problema.
A anlise de robustez do algoritmo ficar resumida apenas aos resultados das
otimizaes que partiram dos casos base, uma vez que no foram realizadas otimizaes
partindo de estimativas iniciais obtidas randomicamente.
Nelder-Mead (Simplex )
De uma maneira geral, o Simplex teve um comportamento bastante inferior aos demais.
Dentre os 11 ciclos de otimizao realizados, os dois piores resultados em termos do
valor final da funo objetivo foram executados usando o Simplex.
A rodada de otimizao com a pior evoluo da funo objetivo (NMS_IP) tem
sua trajetria da funo exibida na figura 6.26. Claramente, o algoritmo teve dificuldades em percorrer o espao vivel na busca de solues timas, realizando um esforo
bastante elevado sem conseguir progresso significativo.
Para esse caso em especial (NMS_IP), foram realizadas 2.243 simulaes (1.735
iteraes) para se alcanar um ganho de 0, 12% em relao estimativa inicial.
Diferente do que aconteceu com o Caso 1 no seu pior resultado, onde se percebeu
97
P-12
P-12
P-10
P-10
P-8
P-8
P-6
P-6
P-5
P-5
P-4
P-4
P-3
P-3
I-11
I-11
I-9
I-9
I-7
I-7
I-2
I-2
I-1
I-1
Figura 6.27: Perfil de Produo e Injeo Inicial e Final caso NMS_IP.

insignificantes modificaes nas vazes (Figura 6.12), nota-se que o algoritmo nesse
caso ainda conseguiu promover algumas alteraes (Figura 6.27). Entretanto, essas
modificaes no foram suficientes para propiciar evoluo considervel na funo objetivo.
A figura 6.28 apresenta a trajetria para o melhor resultado obtido pelo algoritmo
de Nelder-Mead. A otimizao NMS-EQUAL conseguiu ganhar 7, 52% em relao
estimativa inicial, chegando a um valor final de funo objetivo de 281.812.497, 54 .
A partir desses resultados, pode-se destacar que o algoritmo Simplex realizou um
esforo bastante expressivo (da ordem das 2.000 simulaes) sem alcanar resultados
da funo to notveis assim. Alm disso, o algoritmo foi muito afetado pelo ponto de partida do processo, tendo obtido relativo sucesso em um teste, mas falhando
completamente em outros.
Busca Direta em Padres (Pattern Search)
Mais uma vez, assim como tinha sido observado nos resultados do Caso1, o comportamento do algoritmo de Busca Direta em Padres foi bastante interessante. Para os
trs testes realizados a partir dos casos base os resultados foram muito satisfatrios,
posicionando-se bem em relao aos demais algoritmos, em relao funo objetivo
e sua evoluo.
Na figura 6.29, temos destacado o desempenho do teste PSA_IP, que foi a situao
98
Figura 6.28: Trajetria da Funo Objetivo: Simplex NMS_EQUAL.

de melhor resultado do algoritmo de Busca Direta em Padres. Partindo da estimativa
das vazes proporcional ao ndice de produtividade ou injetividade dos poos, o Pattern
Search atingiu o valor de 304.675.826, 31 , que representa uma evoluo de 19, 25%.
Do ponto de vista absoluto, esse um resultado muito bom, contudo o nmero de
simulaes executadas para alcanar esse desempenho foi bastante elevado (4.986). A
figura 6.30 mostra a variao do nmero de simulaes por iterao. Percebe-se que
a maioria das iterao requisitou um nmero superior a 25 simulaes para conseguir
avanar.
De fato, o nmero de simulaes foi considervel a despeito dos bons resultados da
funo, entretanto imaginando essa mesma aplicao, num ambiente de computao
distribuda, possvel obter ganhos significativos no tempo total necessrio para ter a
mesma performance.
Se, por exemplo, para essa aplicao do teste PSA_IP estivessem disponveis um
nmero de processadores igual ao nmero variveis numa arquitetura de distribuio
de rodadas, ter-se-ia um ganho terico de aproximadamente 28 vezes no tempo total
requerido. Contudo, com 45 CPUs j se teria um ganho terico bastante prximo ao
obtido com 60 CPUs.
Os outros dois testes feitos com o Pattern Search tambm produziram bons resultados. As trajetrias da funo objetivo para esses dois testes se encontram na figura
99
Figura 6.29: Trajetria da Funo Objetivo: Busca Direta em Padres PSA_IP: Melhor Resultado de Funo Objetivo obtido pelo Pattern Search.
Figura 6.30: Nmero de Simulaes por Iterao: Busca Direta em Padres PSA_IP.
100
Figura 6.31: Trajetria da Funo Objetivo: Busca Direta em Padres PSA_INV_IP

(esq.) e PSA_EQUAL (dir.).
6.31.
Um fato a ser destacado desses outros dois resultados refere-se ao desempenho
obtido com o PSA_INV_IP. Para esse teste, o algoritmo conseguiu chegar a um valor
de funo compatvel com o valor obtido pelo melhor resultado da Busca Direta em
Padres, todavia exigindo um nmero extremamente inferior de simulaes. Enquanto
o teste PSA_IP necessitou de 4.986 simulaes para atingir cerca de 3, 04 108 , o teste
PSA_EQUAL alcanou 3, 02 108 com 1.579 simulaes.

Derivative Free Optimization (DFO)
Para as aplicaes com o Caso 2, o Derivative Free Optimization, proposto por Conn
et al, apresentou um desempenho excelente, tanto do ponto de vista dos resultados
encontrados de funo objetivo quanto do nmero de simulaes necessrio para isso.
O DFO apresentou os dois melhores resultados de valor final da funo objetivo e
de evoluo desta, onde conseguiu progressos de 22, 9% e 20, 7%.
As figuras 6.32, 6.33 e 6.34 exibem as trajetrias da funo para os trs testes feitos
com essa ferramenta.
Assim como foi destacado nos resultados observados para o Caso 1, tambm
possvel notar nestes resultados do Caso 2 a tendncia da trajetria da funo objetivo
formar longos plats antes da terminao do algoritmo.
Do ponto de vista prtico da engenharia do problema, onde se est interessado
explicitamente em obter algum ganho na funo objetivo considerando um esforo
computacional vivel para as aplicaes da indstria, esses longos patamares so muito
indesejveis. Notadamente, h problemas com o critrio de parada desse algoritmo.
Figura 6.32:
101
DFO_EQUAL: Melhor Resultado de Funo Objetivo 316.387.500,00 u.m..
Figura 6.33: Trajetria da Funo Objetivo: Derivative Free Optimization DFO_IP:

Melhor Resultado de Evoluo da Funo Objetivo 22, 9%.
Figura 6.34:
102
DFO_INV_IP.
O teste DFO_EQUAL (Figura 6.32) precisou de 1.462 simulaes para terminao,
porm com 494 simulaes de fluxo o algoritmo j tinha alcanado o valor de funo
final. Similarmente, no teste DFO_IP (Figura 6.33) foram realizadas 1.328 simulaes
efetivamente, contudo na simulao #291 o resultado da funo final j tinha sido
encontrado.
Fica claro que necessrio tratar a questo do critrio de parada de uma maneira
mais eficiente do ponto de vista prtico do problema, conforme tambm foi destacado
nas anlises do Caso 1.
Sumarizando, claramente se percebe o desempenho superior desse algoritmo para a
abordagem serial que se est trabalhando aqui, ainda mais quando se leva em considerao o esforo que de fato foi necessrio para o alcance dos expressivos resultados.
Algoritmo Gentico
O Caso 2 apresenta um nmero de restries bem maior que o Caso 1. Conforme mencionado anteriormente, as restries esto sendo tratadas para o Algoritmo Gentico
como uma penalizao na funo de aptido ao se violar as restries. Dessa forma,
o processo de criao aleatria da populao inicial para o Caso 2, respeitando em
grande parte a regio vivel, representou uma dificuldade. Sendo as variveis para um
103
Figura 6.35: Trajetria da Funo Objetivo e da Mdia da Populao: Algoritmo

Gentico Probabilidade de Mutao de 1%.
dos poos produtores e para um dos injetores dependentes das demais, foi necessrio
criar aleatoriamente uma populao externamente ao Matlab, obtendo as variveis para
os todos os poos e depois normalizando antes de servir de entrada para o GA.
Adicionalmente, o processo de diversificao das populaes ao longo das geraes
tambm foi dificultado pela necessidade de no se violar as restries em grande parte
dos indivduos gerados por cruzamento ou mutao.
As figuras 6.35 e 6.36 apresentam os grficos das trajetrias para os dois testes
realizados. Os testes diferem entre si na probabilidade de ocorrncia de mutao.
Para a aplicao com probabilidade de 1% de ocorrer mutao, o algoritmo parou
precocemente por estagnao da populao, possivelmente por falta de diversidade.
Esse resultado foi bastante ruim sob o ponto de vista do progresso do algoritmo. Nota-se
da figura 6.35 que aps encontrar o melhor indivduo da populao original, o processo
evolutivo atravs dos seus operadores no conseguiu explorar indivduos mais aptos
(melhor funo objetivo).
Com o segundo teste (5% de probabilidade de ocorrer mutao), onde a chance de
diversificar a populao maior. O resultado foi melhor e a estagnao observada na
tentativa anterior no se repetiu. O resultado final, porm, no foi bom. (Figura 6.36).
De fato, houve problemas com o tratamento das restries. Analisando o resultado
para o teste EGA_5pp, percebe-se isso quantitativamente. Sendo 20 geraes de 100
104

os Indivduos: Algoritmo Gentico com Probabilidade de Mutao de 5%.
indivduos cada, foram realizadas 2.000 avaliaes da funo de aptido (objetivo),
porm s foram realizadas 656 simulao de fluxo. Essa diferena se deve ao fato de
ser atribudo diretamente um valor muito elevado funo objetivo sem necessidade
de simulao ao se violar as restries.
No h elementos suficientes para afirmar que o baixo desempenho do GA fruto
apenas do mau tratamento das restries. Por isso, no se pode descartar a possibilidade de deficincia real do algoritmo.
Observa-se do exposto que o tratamento das restries utilizado no se apresentou
bem, necessitando a incorporao de outras tcnicas para comparar de maneira justa
esse algoritmo frente aos demais.
Captulo 7
Concluses e Trabalhos Futuros
7.1
Concluses
Claramente, o problema de otimizao das vazes da produo e injeo no contexto

apresentado nesse trabalho um grande desafio do ponto de vista matemtico, fsico e
de engenharia. A seguir esto resumidas as principais concluses desse trabalho.
Em relao ao comportamento fsico das solues timas do problema tratado nesse
estudo, pode-se sumarizar as principais observaes, conforme delineado abaixo.
O problema de otimizao dinmica das vazes de produo e injeo confirmou
sua relevncia aps os resultados, onde se consegui ganhos expressivos no VPL.
Foram alcanados ganhos superiores a 10%, chegando at a 20% em algumas

situaes, num caso de caractersticas realistas e similares ao encontrado nas
principais bacias brasileiras.
Os efeitos dos controles dos poos e dos grupos so bastante importantes e al-
teram muito o comportamento do problema. necessrio tratar adequadamente

esses controles, transferindo para a otimizao o manuseio destes e deixando ao
simulador de reservatrios apenas a funo de quantificar o escoamento em meios
porosos. Assim, formular o problema com variveis de controle que resultem na
operao da plataforma em seus limites se mostrou bastante adequado.
A homogeneidade da frente de avano de gua tem influncia forte no VPL do
projeto. Percebe-se que quando a diferena de breakthrough grande o resultado

no VPL ruim, de modo que preciso certo nvel de uniformidade na erupo da
gua para se obter bons resultados. Entretanto, abaixo desse nvel, as redues
105
Captulo 7. Concluses e Trabalhos Futuros
106
na diferena de breakthrough no tm reflexo no VPL. Essa homogeneidade observada da erupo de gua nos produtores confirma um pressuposto terico de
que trabalhar com vazes de produo e injeo que mantenham o varrido praticamente uniforme no reservatrio o ideal.
Do ponto de vista do desempenho dos algoritmos, possvel destacar as concluses
enumeradas a seguir.
O Algoritmo de Nelder-Mead Simplex teve um comportamento insatisfatrio,
pois falhou gravemente para algumas estimativas iniciais nos dois casos de aplicao abordados nessa pesquisa. Alm disso, nos casos de teste onde o algoritmo
conseguiu progressos mais significativos seu desempenho ficou aqum dos resul-
tados observados para os outros algoritmos.

O Algoritmo de Busca Direta em Padres (Pattern Search) apresentou resultados
muito bons para todos os casos em que foi aplicado. A variao da estimativa
inicial afetou pouco o resultado da otimizao. Apesar desse bom desempenho
em termos de valor de funo objetivo, o Pattern Search demanda um nmero
de simulao bastante superior aos demais algoritmos estudados. Todavia, a
Busca Direta em Padres tem uma estrutura plenamente paralelizvel e as oportunidades de ganho com o uso de processamento distribudo so expressivas.
Dentre todos os algoritmos avaliados nesse trabalho, o melhor desempenho foi ob-
servado para as aplicaes com o Derivative Free Optimization (DFO) de Conn et
al. Assim como o Pattern Search, o DFO demonstrou robustez, no apresentando

dificuldades quando inicializado em diferentes pontos. Alm dos bons resultados
do DFO em termos de funo objetivo, o grande diferencial dessa abordagem
o nmero de simulaes substancialmente menor que as outras tcnicas. Todavia, o DFO apresenta problemas no seu critrio de parada, necessitando ser
melhor trabalhada essa questo para que as aplicaes necessitem de ainda menos
simulaes de fluxo.
De uma maneira geral, os resultados do Algoritmo Gentico foram bons para
o Caso 1, porm para o Caso 2 houve dificuldades que prejudicaram a anlise

do seu desempenho. Para problemas com muitas restries envolvidas, como foi
a situao do Caso 2, no interessante utilizar simplesmente a abordagem de
funo barreira para tratar as restries. mais recomendvel aplicar outras
tcnicas de tratamento das restries, como efetuar a rejeio de indivduos fora
107
do domnio vivel ou realizar reparos das solues inviveis. No h elementos

suficientes para afirmar que o baixo desempenho do GA no Caso 2 fruto apenas
do mau tratamento das restries. Por isso, no se pode descartar a possibilidade
de deficincia real do algoritmo.
7.2
Trabalhos Futuros
De modo a dar continuidade a linha de pesquisa apresentada neste trabalho e enriquecer

os resultados obtidos, algumas atividades adicionais devem ser realizadas. Cita-se a
seguir algumas linhas que devem ser desenvolvidas para isso.
Do ponto de vista prtico de interesse da indstria, necessrio aplicar essa
metodologia em situaes reais com dimenso, complexidade e esforo computacional iguais s vivenciadas nos estudos de reservatrio.
Nesse trabalho, foram apenas identificadas e descritas as oportunidades de apli-
cao de computao distribuda. Torna-se necessrio aplicar efetivamente a

paralelizao aos casos onde possvel para avaliar essa questo.
De uma maneira geral, os algoritmos foram utilizados em suas verses mais cruas
para no privilegiar nenhum deles por um ajuste muito bem realizado. Ento,
para os melhores algoritmos destacados aqui, necessrio efetuar o ajuste fino

(tuning) dos parmetros dos mtodos na busca das melhores desempenhos.
Por premissa desta pesquisa, no foram estudadas abordagem que utilizem pro-
xies. Avaliar o comportamento deste problema usado estratgias baseadas em

proxies uma abordagem importante.
Incorporar um pacote completo de anlise econmica para avaliao da funo

objetivo no lugar da verso simplificada em uso nesse estudo.
A metodologia apresentada nesse trabalho para soluo do problema utilizando

otimizao com simulao em algoritmos sem uso das derivadas bastante afeta-
da pela quantidade de variveis, que usualmente elevada. Torna-se necessrio

aprofundar o estudo de tcnicas para parametrizar o problema. As parametrizaes devem ser capazes de ir progressivamente se tornando mais refinadas e de
identificar o nmero timo de parmetros (poos ou grupo de poos e intervalos
de tempo).
108
Alguns resultados das vazes foram bastante oscilatrios e, idealmente, resultados

mais uniformes tendem a ser mais convenientes em termos da operao do campo.
Assim, estudar a introduo de um termo na funo objetivo que penalize as
oscilaes, semelhante ao que se faz no estudo de problemas inversos.
As incertezas geolgicas ou econmicas esto sempre presentes nos estudos de
reservatrios. necessrio estudar o problema apresentado aqui num contexto

de Planejamento sob Incertezas, incorporando incertezas modelagem. Torna-se
preciso reavaliar o comportamento dos algoritmos nesse contexto estocstico e
identificar possibilidade de aplicao de novos algoritmos, talvez mais eficientes.
Em projetos da dimenso dos vivenciados pela indstria do petrleo, a utilizao
de apenas um critrio tende a ser precria e a levar a decises erradas. Estudar

o problema numa abordagem de otimizao multi-objetivo.
Incorporar linhas de fluxo como meio de ter mais informao na definio das
solues candidatas. Utilizar uma espcie de pr-processamento inteligente que

a partir das linhas de fluxo construa estimativas melhores das solues ideais.
Integrar a soluo do problema de alocao dinmica das vazes de produo e
injeo com os outros problemas que tem interface, como a locao tima dos
poos e a operao das instalaes de superfcie.
Bibliografia
[1] APRIL, J.; GLOVER, F.; KELLY, J.; LAGUNA, M.; ERDOGAN, M.; MUDFORD, B.; STEGEMEIER, D.; Advanced Optimization Methodology in the Oil
and Gas Industry: The Teory of Scatter Search with Simple Examples; SPE 82009,
Hydrocarbon Economic and Evaluation Symposium, Dallas, Texas; 2003
[2] ARONOFSKY, J.S.; LEE, A.S.; A Linear Programming Model for Scheduling
Crude Oil Production; SPE 862, Journal of Petroleum Tecnology, 10; pp 51-54;
1958.
[3] AZADIVAR, F.; Simulation Optimization Methodologies; Anais do Winter Simulation Conference P. A. Farrington, H. B. Nembhard, D. T. Sturrock, and G. W.
Evans, eds.; 1999.
[4] AZIZ, K.; SETTARI, A.; Petroleum Reservoir Simulation; Applied Science Publishers LTd, London; 1979.
[5] BAMPI, D.; Distribuio Areal Automtica Otimizada de Poos Produtores e Injetores; 207f, Tese de Doutorado; Universidade Estadual Norte Fluminense; 2006.
[6] BANGERTH, W.; KLIE, H.; STOFFA, P.L.; On Optimization Algorithm for the
Reservoir Oil Well Placement Problem; ICES: Institute for Computational Engineering and Sciences; 2005. (Relatrio Tcnico, 05-35)
[7] BARRAGN-HERNANDEZ,
MARINES, L.;
V.;
VZQUEZ-ROMN,
R.;
ROSALES-
GARCIA-SNCHEZ, F.; A Strategy for Simulation and
Optimization of Gas and Oil Production; Computer and Chemical Engeneering;

2005.
[8] BEAR, J.; Dynamics of Fluids in Porous Media; Dover Publications, New York;
1972.
109
BIBLIOGRAFIA
110
[9] BECKNER, B.L.; SONG, X.; Field Development Planning Using Simulated Annealing - Optimal Economic Well Schedulling and Placement; SPE 30650, Annual
Techinical Conference and Exhibition in Dallas, Texas; 1995.
[10] BITTENCOURT, A.C.; TarRot - Tarefas de Rotina; Comunicao Pessoal; 2006.
[11] BITTENCOURT, A.C.; HORNE, R.N.; Reservoir Development and Design Optimization ; SPE 38895, Annual Technical Conference and Exhibition, San Antonio,
Texas; 1997.
[12] BOOKER, A.J.; DENIS JR, J.E.; FRANK, P.D.; SERAFINI, D.B.; TORCZON,
V.; TROSSET, M.W.; A Rigorous Framework for Optimization of Expensive Functions by Surrogates; Technical Report SSGTECH 98-005 Boeing Shared Services
Group Applied Research and Technology Seattle WA; 1998
[13] COIN - Computational Infrastructure for Operations Research Home Page;
Derivative-Free Optimization; https://projetcs.coin-or.org/Dfo .
[14] COIN - Computational Infrastructure for Operations Research Home Page; Interior Point Optimizer; https://projetcs.coin-or.org/Ipopt .
[15] COMPUTER MODELLING GROUP Ltd; Imex 2005.10 Users Guide; Manual
de Referncia; 2005.
[16] CONN, A.R.; SCHEINBERG, K.; TOINT,Ph.L.; On the Convergence of
Derivative-Free Methods for Unconstrained Optimization; In: ISERLES, A.; BUHMANN, M. (editores); Appoximation Theory and Optimization: Tributes to
M.J.D. Powell, pp 83-108, Cambridge, UK; Cambridge University Press; 1997.
[17] CONN, A.R.; SCHEINBERG, K.; TOINT,Ph.L.; Recent Progress in Unconstrained Nonlinear Optimization without Derivatives; Matematical Programming,
79: 397-414; 1997.
[18] CONN, A.R.; SCHEINBERG, K.; TOINT,Ph.L.; A Derivative Free Optimization
Algoritm in Practice; American Institute of Aeronautics Conference, St. Louis;
1998.
[19] CONN, A.R.; GOULD, N.I.M.; TOINT, Ph.L.; Trust Region Methods; MPSSIAM Series on Optimization,; Philadelphia; 2000.
BIBLIOGRAFIA
111
[20] CRUZ, P.S.; HORNE, R.N.; DEUTSCH, C.V.; The Quality Map: a Tool for
Reservoir Uncertainty Quantification and Decision Making; SPE 87642, Annual
Techinical Conference and Exhibition in Houston, Texas; 2004.
[21] CULLICK, A.S.; HEATH, D.; NARAYANAN, K.;APRIL, J.; KELLY, J.; Optimizing Multiple-Field Scheduling and Production Strategy with Reduced Risk; SPE
84239, Annual Techinical Conference and Exhibition in Denver, Colorado; 2003.
[22] DAKE, L. P.; Fundamentals of Reservoir Engineering; Elsevier, Amsterdam; 1978.
[23] DAKE, L. P.; The Practice of Reservoir Engineering; Elsevier, Amsterdam; 1994.
[24] EEG, O.S.; HERRING, T.; Combining Linear Programming and Reservoir Simulation to Optimize Asset Value; SPE 37446, SPE Production Operation Symposium in Oklahoma City, Oklahoma; 1997.
[25] EMERICK, A.A.; Movimentos Exploratrios do Mtodo de Busca Direta; Comunicao Pessoal; 2006.
[26] ERTEKIN, T.; ABOU-KASSEM, J. H.; KING, G. R.; Basic Applied Reservoir
Simulation; SPE Textbook Series, Vol. 7; Richardson, TX; 2001.
[27] FANCHI, J. R.; HARPOLE, K. J.; BUJNOWSKI, S. W.; BOAST: A
Three-Dimensional, Three-Phase Black Oil Applied Simulation Tool; Vol 1,
DOE/BC/10033-3; Oklahoma; 1982.
[28] FRIEDLANDER,
A.;
Elementos
de
Programao
No-linear;
http://www.ime.unicamp.br/~friedlan/ ; 2004.
[29] FYROZJAEE, H.; YORTSOS, Y.C.; Control of Displacement Front in Potencial
Flow Using Flow-Rate Partition; SPE 99524, SPE Intelligent Energy Conference
and Exhibition, Amisterdam; 2006.
[30] GAO, G.; LI, G.; REYNOLDS, A.C.; A Stochastic Optimization Algorithm for
Automatic History Matching; SPE 90065, Annual Techinical Conference and Exhibition in Houston, Texas; 2004.
[31] GEOQUEST Ltd; Eclipse Technical Description; Manual de Referncia; 2005.
[32] GLOVER, F.; MART, R.; Fundamentals of Scatter Search and Path Relinking;
Control and Cybernetics, Vol. 29, No. 3, pp. 653-684; 2000.
BIBLIOGRAFIA
112
[33] GOLDBERG, D.; Genetic Algorithm in Search, Optimization and Machine Learning; Mass. Addison-Wesley; Boston; 1989.
[34] HARTING, T.J.; RADCLIFF, N.J.; KING, P.R.; Hydrocarbon Production
Schedulle with Genetic Algoritms; SPE 36379, SPE Journal, 6; 1998.
[35] HOOKE, R.; JEEVES, T.A.; Direct Search Solution of Numerical and Statistical
Problems; Journal of the Association for Computing Machinery, 8, pp. 212-229;
1961.
[36] HORNE, R.N.; Optimization Application in Oil and Gas Recovery; In: PARDALOS, P.M.; RESENDE, M.G.C.; Handbook of Applied Optimization; Oxford University Press; New York; 2002.
[37] HUPPLER, J.D.; Scheduling Gas Field Production for Maximum Profit; SPE
Journal, 16: 274-279; 1974.
[38] JOHNSTON, D.; JOHNSTON, D; Maximum Ecient Production Rate; CEPMLP
CP3/02; University of Dundee, Scotland; 2002.
[39] KIRKPATRICK, S.; GELATT, C.D.; VECCHI, M.P.; Optimization by Simulated
Annealing; Science, Volume 220, Nmero 4598; 1983.
[40] KOLDA,T.G.;LEWIS,R.M.;TORCZON,V.; Optimization by Direct Search: New
Perspectives on Some Classical and Modern Methods; SIAM Review, Vol. 45, No.
3, pp 385-482; 2003.
[41] KOLDA,T.G.; TORCZON,V.; On the Convergence of Asynchronous Parallel Pattern Search; SIAM J. Optimization, Vol. 14, No. 4, pp. 939-964; 2004.
[42] LANGARIAS, J.C.; REEDS, J.A.; WRIGHT, M.H.; WRIGHT, P.E.; Convergence Propeties of the Nelder-Mead Simplex Algorithm in Low Dimensions; SIAM
Journal of Optimization, 9(1): p.112-147; 1996.
[43] LEMOS, W.P.; BAIAO DE CASTRO, M.R.; SOARES, C.M.; ROSALBA, J.F.;
MEIRA, A.A.G; Albacora Leste Field Development: Reservoir Aspects and Development Strategy; OTC 18056, Oshore Technology Conference; Houston; 2006.
[44] LEWIS, R. M.; TORCZON, V.; TROSSET, M.W.; Direct search methods: Then
and now; Journal Comput. Applied Math., 124, pp. 191207; 2000.
BIBLIOGRAFIA
113
[45] LIEN, M.; MANNSETH, T.; JANSEN, J.D.; Multiscale Regularization of Flooding
Optimization for Smart-Field Management; SPE 99728, SPE Intelligent Energy
Conference and Exhibition, Amisterdam; 2006.
[46] LORENTZEN, R.J.; BERG, A.M.; NAEVDAL, G.; VEFRING, E.H.; A New
Approach for Dynamic Optimization of Waterflooding Problems; SPE 99690, SPE
Intelligent Energy Conference and Exhibition, Amisterdam; 2006.
[47] MATTAX, C. C.; DALTON, R. L.; Reservoir Simulation; Monograph Series; SPE;
Richardson, TX; 1990.
[48] MAGALHES, T.C.B ; SCHIOZER, D.J.; Influncia das Restries Operacionais
na Definio da Estratgia de Produo; IBP 149 04, Rio Oil & Gas 2004; Rio de
Janeiro; 2004
[49] MEZZOMO, C.C.; Otimizao de Estratgias de Produo de Petrleo; 129f, Dissertao de Mestrado; Universidade Estadual de Campinas; 2001.
[50] MEZZOMO, C.C; SCHIOZER, D.J.; Methodology for Water Injection Strategies
Planning Optimization using Reservoir Simulation; Petroleum Societys Canadian
International Petroleum Conference, Calgary; 2002.
[51] METTINEN, K.; Nonlinear Multiobjective Optimisation; Kuwler Academic Publishers; ISBN 0-7928-8278-1; 1999.
[52] NARAYANAN, K.; CULLICK; A.S.; BENNETT; M.; Better Field Development
Decisions from Multi-Scenario, Interdependent Reservoir, Well, and Facility Simulations; SPE 79703, Reservoir Simulation Symposium, Houston, Texas; 2003.
[53] NELDER, J.A.; MEAD, R.; A Simplex Method for Function Minimization; Computer Journal 7, 308-313; 1965.
[54] NEVES, F.R.; SCHIOZER, D.J.; SUSLICK, S.B.; Anlise da Influncia de Indicadores Econmicos e Incertezas na Escolha da Estratgia de Produo; IBP 088
04, Rio Oil & Gas 2004; Rio de Janeiro; 2004
[55] NOCEDAL, J.; WRIGHT, S.J.; Numerical Optimization; Springer Series in Operations Research; Springer-Verlag , Inc.; New York; 1999.
[56] PAN, Y.; HORNE, N.R.; Improved Methods for Multivariate Optimization of Field
Development Scheduling and Well Placement Design; SPE 49055, Annual Techinical Conference and Exhibition in New Orleans, Lousiana; 1998.
BIBLIOGRAFIA
114
[57] PARDALOS, P.M.; RESENDE, M.G.C.; Handbook of Applied Optimization; Oxford University Press; New York; 2002.
[58] PEACEMAN, D. W.; Fundamentals of numerical reservoir simulation; Elsevier,
Amsterdam; 1977.
[59] PEDROSO JR,C.; Otimizao da Locao de Poos Usando Simulao Numrica de Reservatrios; 141f, Dissertao de Mestrado; Universidade Estadual de
Campinas; 1999.
[60] PEDROSO JR,C.; SCHIOZER, D.J.; Otimizao da Locao de Poos Usando
Simulao Numrica de Reservatrios e Computao Paralela (PVM); IBP 06200,
Rio Oil & Gas 2000; Rio de Janeiro; 2000.
[61] PRESS, W.H.; TEUKOLSKY, S.A.; VETTERLING, W. T.; FLANNERY, B.P.;
Numerical Recipes in C : The Art of Scientific Computing; Cambridge University
Press; New York; 1992.
[62] ROMEU, R.K.; Trajetria de Produo; Comunicao Pessoal; 2006.
[63] ROSA, A.J.; CARVALHO, R.S.; XAVIER, J.A.D.; Engenharia de Reservatrios
de Petrleo; Editora Intercincia; Rio de Janeiro; 2006.
[64] ROWAN, G.; WARREN, J.E.; A Systems Approach to Reservoir Engineering,
Optimum Development Planning. J. Can. Pet. Technology. 84-94; 1967.
[65] SARMA, P.; CHEN, W.H.; DURLOFSKY, L.J.; AZIZ, K.; Production Optimization with Adjoint Models Under Nonlinear Control-State Path Inequality Constraints; SPE 99959, SPE Intelligent Energy Conference and Exhibition, Amisterdam; 2006.
[66] SEE, B.A.; HORNE, R.N.; Optimal Reservoir Production Scheduling by Using
Reservoir Simulation; SPE 11133, Annual Techinical Conference and Exhibition
in New Orleans, Lousiana; 1983.
[67] SEN, P.; YANG, J.B.; Multiple Criteria Decision Support in Engennering Design;
Springer-Verlag, London; ISBN 3-540199-32-2; 1998.
[68] SCHEINBERG, K.; Manual for Fortran Software Package DFO v2.0 ; 2003
BIBLIOGRAFIA
115
[69] SCHEWCHUK, J.R.; An Introduction to the Conjugate Gradiente without the Agonizing Pain; PA 15213 School of Computer Science, Carnagie Mellon University
od Pittisburg; 1995.
[70] SILVA, F.T.; RODRIGUES, J.P.; PARAIZO, P.B.; ROMEU, R.K.; PERES, A.M.;
OLIVEIRA, R.M.; PINTO, I.A.; MASCHIO, C.; Novel Ways of Parameterizing
the History Matching Problem; SPE 94875, SPE Latin Americam and Caribbean
Petroleum Engeneering Conference, Rio de Janeiro; 2005.
[71] SOARES, A.A.M.; Simulao de Reservatrios de Petrleo em Arquiteturas
Paralelas com Memria Distribuda; 139f. Dissertao de Mestrado, Universidade
Federal de Pernambuco; 2002.
[72] SPALL, J.C.; Introduction to Stochastic Search and Optimization: Estimation,
Simulation and Control; John Wiley and Sons, Inc., New Jersey; 2003.
[73] SPENDLEY, W.; HEXT, G.R.; HIMSWORTH, F.R.; Sequential Application of
Simplex Designs in Optimisation and Evolucionary Operation; Technometrics, 4:
pp. 441-461; 1962.
[74] THIELE, M.R.; BATYCKY, R.P.; Water Injection Optimization Using a
Streamline-Based Workflow; SPE 84080, Annual Techinical Conference and Exhibition in Denver, Colorado; 2003.
[75] TOLEDO, E. M.; SILVA, R. S.; Introduo Computao Paralela; 2a Escola de
Vero em Computao Cientfica - LNCC/CNPq, Rio de Janeiro; 1997.
[76] TORCZON, V.; On the Convergence of Pattern Search Algorithm; SIAM J. Optimization, 7; 1997.
[77] THOMAS, J.E. (Organizador); Fundamentos de Engenharia de Petrleo; Editora
Intercincia; Rio de Janeiro; 2001.
[78] TPAC, Y.J.; VELLASCO, M.M.R.; PACHECO, M.A.C.; Planejamento e
Otimizao do Desenvolvimento de um Campo de Petrleo por Algoritmo Genticos; XXII Encontro Nacional de Engenharia de Produo;Curitiba; 2002.
[79] WANG, P.; LITVAK, M.; AZIZ, K.; Optimization of Operation in Petroleum
Fields; SPE 77658, Annual Techinical Conference and Exhibition in San Antonio,
Texas; 2002.
BIBLIOGRAFIA
116
[80] WANG, P.; Development and Applications of Productions Optimization Techniques for Petroleum Fields; 196f. PhD thesis; Stanford University; 2003.
[81] WAECHTER, A.; An Interior Point Algorithm for Large-Scale Non-linear Optimization with Application in Process Engeneering; PhD thesis; Carnagie Mellon
University; 2002.
[82] ZAKIROV, I.S.; AANONSEN, S.I.; ZAKIROV, E.S.; PALATNIK, B.M; Optimizing Reservoir Performance by Automatic Allocation of Well Rates; In 5th
European Conference on the Mathematics of Oil Recovery; 1996.
[83] ZIENKIEWICS, O. C.; MORGAN, K.; Finite Elements and Approximation;
Wiley-Interscience Publication; 1982

Simulação de Reservatórios de Petroleo

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Simulação de Reservatórios de Petroleo

Hochgeladen von

Copyright:

Verfügbare Formate

Universidade Federal de Pernambuco

Centro de Tecnologia e Geocincias

Tcnicas de Otimizao da Produo

Diego Felipe Barbosa de Oliveira

Tcnicas de Otimizao da Produo para

Diego Felipe Barbosa de Oliveira

zio da Rocha Arajo, D.Sc.

Recife, Pernambuco, Brasil

Tcnicas de Otimizao da Produo para

zio da Rocha Arajo, D.Sc.

Jos Roberto Pereira Rodrigues, D.Sc.

Bernardo Horowitz, Ph. D.

Denis Jos Schiozer, Ph. D.

Recife, Pernambuco, Brasil, Agosto de 2006

"If I have seen further it is by standing on shoulders of Giants."

Bl fator volume de formao do componente l = o, g, w

C l custo de manuseio do componente l = o, g, w, wi

Cw custo mdio de perfurao de um poo

Cf,U EP custo fixo da Unidade de Produo

Cv,U EP custo varivel da Unidade de Produo

f funo; funo objetivo

GT tributaes aplicadas produo (Government Take)

n dimenso do espao de solues

np nmero de poos com variveis

N nmero de indivduos da populao do Algoritmo Genetico

Ne nmero de indivduos de elite da populao do Algoritmo

Np volume produzido acumulado de leo

Nw nmero total de poos perfurados

Opex custos operacionais (Operational Expenditures)

P conjunto dos ndices dos poos produtores

P l preo de venda do componente l = o, g

Pm probabilidade de ocorrncia de mutao no Algoritmo

q vazo total de liquido em condies de superfcie

q l vazo em condies de superfcie do componente l = o, g, w

Qmax vazo mxima compatvel com a capacidade da Unidade de

R receita bruta da produo

t ndice que representa o intervalo de tempo genrico t

T tempo de concesso ou horizonte do projeto

Tres temperatura do reservatrio

V OIP volume de leo in place

xp,t varivel de controle do poo p no intervalo de tempo t

xlp,t limite inferior da varivel de controle do

limite superior da varivel de controle do

Wi volume injetado acumulado

fator de expanso da malha do algoritmo de Busca Direta em

0 , 1 , 2 fatores de atualizao do raio da regio de confiana no DFO

fator de contrao da malha do algoritmo de Busca Direta em

coeficiente de reflexo do algoritmo Simplex

fator de reduo da funo objetivo comparada

coeficiente de retrao do algoritmo Simplex

coeficiente de expanso do algoritmo Simplex

dimenso da malha do algoritmo de Busca Direta em Padres

1.1 Situao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2 Declarao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3 Escopo da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1 Otimizao na Produo de Petrleo . . . . . . . . . . . . . . . . . . .

Operao do Campo: Instalaes e Equipamentos de Produo

Desenvolvimento do Campo: Locao de Poos . . . . . . . . .

Gerenciamento do Campo: Alocao Dinmica de Vazes de Produo e Injeo . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2 Otimizao com Simulao . . . . . . . . . . . . . . . . . . . . . . . . .

2.3 Otimizao sem Derivadas . . . . . . . . . . . . . . . . . . . . . . . . .

3.1 Produo com Injeo de gua . . . . . . . . . . . . . . . . . . . . . .

3.2 Declarao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . .

Mtodo de Nelder-Mead - Simplex