Professional Documents
Culture Documents
Dissertao de Mestrado
Apresentada por:
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
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.
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
e vetor unitrio
F fluxo de caixa
regio vivel
kh permeabilidade horizontal
kv permeabilidade vertical
m modelo interpolado de f
xi
Pc probabilidade de ocorrncia de cruzamento
no Algoritmo Gentico
xup,t
conjunto de interpolao
xii
Letras Gregas
coeficiente de contrao do algoritmo Simplex
constante
ndice
1 Introduo
1.2.1
Delimitaes de Escopo . . . . . . . . . . . . . . . . . . . . . . .
2 Reviso Bibliogrfica
2.1.2
2.1.3
10
12
13
3 Formulao do Problema
16
16
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
. . . . . . . . . . . . . . . .
28
4.1.2
32
xiii
NDICE
xiv
4.1.3
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
46
5.1.1
Caso 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
5.1.2
Caso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
58
5.2.1
58
5.2.2
63
5.2.3
66
6 Resultados
69
69
6.1.1
Descrio Geral . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
6.1.2
Comportamento Fsico . . . . . . . . . . . . . . . . . . . . . . .
71
6.1.3
77
88
6.2.1
Descrio Geral . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
6.2.2
Comportamento Fsico . . . . . . . . . . . . . . . . . . . . . . .
89
6.2.3
94
105
Lista de Tabelas
5.1 Resumo das caractersticas do modelo do Caso 1 . . . . . . . . . . . . .
47
49
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
59
61
63
66
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
71
71
74
6.5 Resumo dos Resultados das Otimizaes: Desempenho na Funo Objetivo - Resultados em Ordem Decrescente de Valor Final de Funo
Objetivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
79
LISTA DE TABELAS
xvi
89
89
91
6.10 Resumo dos Resultados da Otimizaes: Desempenho na Funo Objetivo - Resultados em Ordem Decrescente de Valor Final de Funo
Objetivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
95
Lista de Figuras
3.1 Comportamento Adimensional da Injeo Acumulada vs a Produo
Acumulada de leo. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
25
32
33
34
43
48
50
50
52
53
53
54
56
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
60
61
5.14 Funo Objetivo Caso 1 contraste 3:1: Efeito dos controles secundrios.
62
63
64
65
5.18 Funo Objetivo Caso 1 contraste 3:1: Efeito dos controles secundrios.
65
66
xvii
LISTA DE FIGURAS
xviii
67
67
68
72
72
73
75
76
77
6.8 Funo Objetivo Final por algoritmo versus Nmero Total de Simulaes
necessrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
81
81
82
82
83
84
85
86
86
87
88
90
90
92
92
93
6.25 Funo Objetivo Final por algoritmos versus Nmero Total de Simulaes necessrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
96
97
98
99
99
LISTA DE FIGURAS
xix
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
Captulo 1. Introduo
Captulo 1. Introduo
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
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)
(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-
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
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
2.1.1
2.1.2
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
2.1.3
11
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
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
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
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
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
17
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
19
3.2.1
Objetivo
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
l=o,g
(3.3)
Pl ql t;
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:
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
23
3.2.4
Restries
24
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
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
T
X
=0
1
F (xp,t , u)
(1 + d)
qp,t
xp,t = P
, t = 1..nt (Para os poos Injetores)
qp,t
pI
Restries de Limite
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
27
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
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-
29
(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)
30
(4.3)
Onde x =
Pn
+ (
x xn+1 ) = (1 + ) x
xn+1
xr = x
(4.4)
fr = f (xr )
(4.5)
xi
i=1 n
(4.6)
fe = f (xe )
(4.7)
31
(4.8)
fc = f (xc )
(4.9)
(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
32
Simplex inicial
Pior
Ponto
Melhor
Ponto
Reflexo
Reflexo e
Expanso
Contrao
Retrao
4.1.2
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
34
varivel 2
varivel 1
v
ri
va
1
el
varivel 2
vari
vel 2
(4.12)
35
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
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
1
hs, Hk si
2
(4.13)
(4.14)
38
Dados: 0 , 1 , 0 , 1 e 2 atendendo a
0 < 0 1 < 1 e 0 < 0 1 < 1 2
(4.15)
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 =
lao existentes.
[ 0 k , 1 k ]
Ento, se
def
k =
f (xk ) f (xk )
0
mk (xk ) mk (x+
k)
39
Fim do Algoritmo
4.1.4
Algoritmo Gentico
40
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.
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
43
Cdigo Principal
Entrada de Dados
Execuo
Simulao Exclusiva
Otimizao com Simulao
Nelder-Mead Simplex
Busca Direta em Padres
Algoritmo Gentico
Sada de Dados
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
4.2.3
45
Sada de Dados
Captulo 5
Aplicaes
5.1
Casos de Aplicao
5.1.1
Caso 1
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%
1000 mD
10% de kh
2
5 105 (kgf/cm2 )1
273 kgf/cm2
0.97 cP
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
Captulo 5. Aplicaes
49
(meses)
Caso 1A
1.4898
20
20
12
Caso 1B
1.4420
10
30
49
Caso 1C
1.4856
30
10
15
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
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).
Restries em Igualdade
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
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
Ver Mapas
30% de kh
2
2 107 (kgf/cm2 )1
101.97 kgf/cm2
0.77 cP
Captulo 5. Aplicaes
53
Captulo 5. Aplicaes
54
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
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
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
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
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.
Restries em Igualdade
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
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
5.2.1
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
Caso2B
Caso 2C
PROD-3
PROD-4
PROD-5
PROD-6
PROD-8
Caso 2A
114
2.6210
Caso 2B
156
2.5550
Caso 2C
99
2.6630
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 5.12: Comportamento da Funo Objetivo para o Caso 1 com contraste 3:1, 1
parmetro de controle e resoluo de 1%.
Captulo 5. Aplicaes
61
Intervalo de Atuao
GP 11
01-01-2006 01-01-2022
Figura 5.13: Comportamento da Funo Objetivo para o Caso 1 com contraste 20:1, 1
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
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
Captulo 5. Aplicaes
64
Figura 5.16: Comportamento da Funo Objetivo para o Caso 1 com contraste 3:1, 2
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
Figura 5.17: Comportamento da Funo Objetivo para o Caso 1 com contraste 20:1, 2
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
Intervalo de Atuao
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
Captulo 5. Aplicaes
67
Captulo 5. Aplicaes
68
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
1.0
1.0
0.1
0.1
1.0
1.0
0.1
0.1
0.01
0.01
1.200
3.000
2.500
5.000
0.1
0.1
5.000
5.000
5.000
5.000
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.
Captulo 6. Resultados
71
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
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)
Descrio
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
Captulo 6. Resultados
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
Captulo 6. Resultados
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
Captulo 6. Resultados
74
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_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
Captulo 6. Resultados
75
OTIMIZACAO DE PRODUCAO
W ater Saturation 2012-03-28.71621
K lay er: 1
OTIMIZACAO DE PRODUCAO
W ater Saturation 2012-04-06.49115
K layer: 1
100
20 0
3 00
400
500
100
20 0
3 00
400
OTIMIZACAO DE PRODUCAO
W ater Saturation 2011-07-10.21339
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
OTIMIZACAO DE PRODUCAO
W ater Saturation 2012-05-28.63078
K layer: 1
500
100
20 0
3 00
400
OTIMIZACAO DE PRODUCAO
W ater Saturation 2012-07-16.60232
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
0.00
Captulo 6. Resultados
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
Captulo 6. Resultados
77
OTIMIZACAO DE PRODUCAO
Water Saturation 2012-08-27.83643 K layer: 1
200
300
400
OTIMIZACAO DE PRODUCAO
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
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
0.00
Captulo 6. Resultados
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
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
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
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
Captulo 6. Resultados
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
Captulo 6. Resultados
80
1.494E+06
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
Captulo 6. Resultados
81
P-1
P-1
P-2
P-2
Figura 6.10:
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.
Captulo 6. Resultados
82
0.60%
P-2
P-2
P-1
P-1
Figura 6.12: Perfil de Produo Inicial (esq.) e Final (dir.) para o caso NMS_25(IP).
Captulo 6. Resultados
83
Figura 6.13:
Captulo 6. Resultados
84
Captulo 6. Resultados
85
Captulo 6. Resultados
Figura 6.16:
86
Figura 6.17:
DFO_75(INV_IP).
Captulo 6. Resultados
87
Captulo 6. Resultados
88
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
Captulo 6. Resultados
89
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
Descrio
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.
Captulo 6. Resultados
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.).
Captulo 6. Resultados
91
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
Captulo 6. Resultados
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
Figura 6.23: Perfil de Produo e Injeo Inicial (esq.) e Final (dir.) para o caso
DFO_IP: 2o Melhor Resultado de Funo Objetivo.
Captulo 6. Resultados
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
Figura 6.24: Perfil de Produo e Injeo Inicial (esq.) e Final (dir.) para o caso
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.
Captulo 6. Resultados
94
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
281.307.636, 01
10, 10 / 5, 63
EGA_1pp
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
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.
Captulo 6. Resultados
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
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
Captulo 6. Resultados
96
Captulo 6. Resultados
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
Captulo 6. Resultados
98
Captulo 6. Resultados
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.
Captulo 6. Resultados
100
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.
Captulo 6. Resultados
Figura 6.32:
101
Captulo 6. Resultados
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
Captulo 6. Resultados
103
Captulo 6. Resultados
104
Captulo 7
Concluses e Trabalhos Futuros
7.1
Concluses
105
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-
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-
107
7.2
Trabalhos Futuros
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,
108
Incorporar linhas de fluxo como meio de ter mais informao na definio das
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-
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