Você está na página 1de 30

Algoritmos Genticos

COC 769
Relatrio Tcnico



Professoras:
Beatriz de Souza Leite Pires de Lima
Solange Guimares
Aluno:
Mauro Henrique Alves de Lima Junior







Rio de Janeiro
Agosto de 2010


COPPE/UFRJ COPPE/UFRJ

2

S SU UM M R RI IO O
1 Objetivo ................................................................................................................................. 3
2 Motivao .............................................................................................................................. 3
3 Utilizao de Algoritmos Genticos na Busca de Configuraes Otimizadas para Sistemas
de Risers[1] .................................................................................................................................. 5
Resumo ...................................................................................................................................... 5
Introduo ................................................................................................................................. 5
Algoritmos Genticos (AG) ........................................................................................................ 6
Descrio do Problema Fsico ................................................................................................... 7
Descrio do Problema de Otimizao ..................................................................................... 8
Dados do Problema ................................................................................................................. 10
Resultados ............................................................................................................................... 11
Concluso ................................................................................................................................ 14
4 Otimizao de Riser Rigido em Catenria para Produo de Petrleo Offshore Utilizando
Sistemas Imunolgicos Artificiais[2] .......................................................................................... 15
Resumo .................................................................................................................................... 15
Introduo ............................................................................................................................... 15
SIA/CLONALG ........................................................................................................................... 16
Algoritmo Gentico ................................................................................................................. 17
Representao do Problema Fsico ......................................................................................... 17
Dados do problema ................................................................................................................. 20
Resultados ............................................................................................................................... 20
Concluso ................................................................................................................................ 21
5 Otimizao do Tipo, Localizao e Trajetria de Poos No-Convencionais[3] .............. 22
Resumo .................................................................................................................................... 22
Introduo ............................................................................................................................... 22
Representao do Problema Fsico ......................................................................................... 23
Algoritmos ............................................................................................................................... 25
Estudo de Caso e Resultados .................................................................................................. 27
Concluso ................................................................................................................................ 28
6 Concluso ............................................................................................................................ 29
Referncia Bibliogrfica .............................................................................................................. 30

3


1 1 O OB BJ JE ET TI IV VO O
Este trabalho tem como principal objetivo o estudo de trs artigos relacionados
aos assuntos apresentados na disciplina Algoritmos Genticos (AG) dentro da rea de
interesse de cada aluno, de forma a complementar o conhecimento adquirido em sala.
O foco do trabalho metodologia de otimizao aplicada configurao de riser
buscando reduo dos custos associados explotao de petrleo em guas profundas e
ultraprofundas.
2 2 M MO OT TI IV VA A O O
Nos ltimos anos a explorao de petrleo tem avanado para guas cada vez
mais profundas, ultrapassando os 1.000 m de lmina dgua. Neste cenrio, a instalao
e operao de equipamentos offshore tornam-se crticos, haja vista a complexidade da
instalao e o alto custo dos equipamentos submarinos que devem operar em condies
ambientais extremas. Tal profundidade pode inviabilizar uma configurao de riser
mais simples como a catenria, devido principalmente a fatores como excesso de trao
no topo, compresso dinmica e baixa vida til a fadiga.
Estudos apresentados em [1,2] demonstraram que a configurao lazy-wave,
Figura 1, uma alternativa vivel instalao de Steel Catenary Risers (SCR) em gua
profundas.

4


Figura 1 Riser em configurao Lazy Wave

O projeto de riser fundamental para a indstria do petrleo, pois atravs dele
que ocorre o transporte do leo. Este projeto abrange aspectos complexos e muitas
vezes interdependentes exigindo o uso de formulaes matemticas e computacionais
capazes de representar o modelo real, a fim de minimizar os custos envolvidos no
processo de explotao de petrleo.

5

3 3 U UT TI IL LI IZ ZA A O O D DE E A AL LG GO OR RI IT TM MO OS S G GE EN N T TI IC CO OS S N NA A B BU US SC CA A
D DE E C CO ON NF FI IG GU UR RA A E ES S O OT TI IM MI IZ ZA AD DA AS S P PA AR RA A S SI IS ST TE EM MA AS S D DE E
R RI IS SE ER RS S [ [1 1] ]
Palavras Chave: Sistemas Offshore, Anlise de Riser, Otimizao, Algoritmos Genticos.
Resumo
O artigo apresenta uma ferramenta baseada em mtodos de computao
evolutiva, capaz de fornecer configuraes otimizadas para sistemas de riser
empregados na explotao de petrleo offshore.
Introduo
A explorao de petrleo offshore em guas cada vez mais profundas submete as
estruturas de prospeco a cenrios ambientais cada vez mais rigorosos, fazendo-se
necessrio uma readequao das configuraes do sistema de explotao. O projeto de
riser requer um exaustivo nmero de anlises,contudo uma definio preliminar
equivocada pode freqentemente levar um componente do sistema a alcanar ou
exceder limites de viabilidade tcnica e econmica numa fase j avanada de projeto,
quando j foram gastos tempo e recursos com centenas de anlises anteriores. J ustifica-
se ento que seja tratada a definio dos principais parmetros das configuraes de
sistemas de risers para explorao de petrleo offshore sob a tica da otimizao e
sntese de solues viveis.

6

Algoritmos Genticos (AG)
Os algoritmos genticos caracterizam-se pela capacidade de explorar regies do
espao de busca alm dos pontos de timo local, so algoritmos de ordem probabilstica
e bio-inspirados. Os algoritmos inspirados na natureza vem sendo cada vez mais
utilizados devido a grande capacidade de resoluo de problemas complexos.
O algoritmo gentico implementado apresenta as seguintes caractersticas:
i. inicializa uma populao randmica de indivduos com cada um dos seus
parmetros sorteados entre os limites mximos e mnimos previamente
definidos;
ii. esquema de seleo usado da roda da roleta;
iii. geraes subseqentes podem ser constitudas por um procedimento para
substituio de cromossomos com ou sem consideraes de elitismo,
geracional ou ainda steady-state;
iv. codificao binria para os indivduos;
v. mutao simples com a alterao de um bit aleatrio;
vi. crossover de nico-ponto de corte.
Os critrios de convergncia implementados so:
i. nmero de iteraes atinge um valor determinado;
ii. valor das mdias das avaliaes realizadasem cada gerao permanece
maior ou igual a um percentual (p) do valor da avaliao do atual melhor
indivduo durante as (n) ltimas geraes;
iii. variao percentual do valor da mdia de uma gerao, em relao ao
valor mdio da gerao anterior for inferior a (1-p) durante (n) geraes
consecutivas;
iv. Pode ainda combinar os dois critrios descritos acima, assim a execuo
seria interrompida somente se os dois critrios fossem violados.


7

Descrio do Problema Fsico
O sistema de explorao de petrleo offshore escolhido pelo autor para testar os
algoritmos de otimizao baseia-se em um riser rgido em configurao lazy-wave,
Figura 1.
A configurao lazy-wave apresenta uma forma de catenria dupla com um
trecho intermedirio onde so adicionados flutuadores dispostos uniformemente.
possvel representar uma configurao lazy-wave com apenas sete parmetros
geomtricos, Figura 2:
L1 - comprimento do segmento inferior do riser;
L2 - comprimento de segmentos com flutuadores distribudos;
L3 - comprimento do segmento de topo do riser;
- ngulo de topo;
H lmina dgua
Z - profundidade do ponto de conexo;
P - projeo horizontal.


Figura 2 Desenho esquemtico Lazy-wave

A lmina dgua (H) e as condies ambientais caracterizam o cenrio para o
qual se pretende achar a configurao otimizada. A profundidade da conexo depende
do calado da unidade flutuante que estiver conectada linha. Logo, evidente que,

8

mudadas as condies ambientais ou a lmina dgua, bem como a profundidade da
conexo (z), um novo processo de otimizao deve ser iniciado.
Descrio do Problema de Otimizao
O objetivo do processo de otimizao em questo a minimizao do custo total
da configurao do riser.
A funo objetivo como:
obj i i
F C L =


Onde:

i
C razo custo comparativo de aquisio;

i
L comprimento de cada trecho da linha;
possvel escrever uma funo objetivo admensional:
max
i i
i i
C L
f
C L


Onde:

max
i
L mximos comprimentos admitidos durante o processo de busca e
otimizao para cada trecho da linha;
Verificam-se no processo de avaliao as seguintes restries: Von Mises
mximo admissvel e controle de deflexo angular.

9

A tenso admissvel de Von Mises dada por:
1.5
e a f y
C C
Onde:

a
C fator de tenso admissvel;

f
C fator de caso de projeto;

y
tenso de escoamento do material.
A restrio do ngulo de topo expressa da seguinte forma:
proj

Onde:
ngulo de topo obtido na anlise;

proj
ngulo de topo mximo admitido.
A restrio para deflexo angular expressa da seguinte forma:
flex

Onde:
ngulo de topo obtido na anlise;

proj
ngulo de topo mximo admitido.
A fitness pode ser definida atravs da seguinte frmula:
1
j
fitness
f P


Onde:
f funo objetivo;

j
P penalidades.

10

As funes de penalidade podem ser escritas da seguinte forma:
( )
3
1 , 1
0, 1
j
k x if x
P
if x

<


Onde:

j
P valor da penalidade;
x relao entre o valor limite e o valor calculado;
k fator para forar o surgimento de solues no restritas em casos de
configuraes com limites de restrio muito rgidos;
Dados do Problema
Dois estudos de casos foram realizados para a validao dos algoritmos
desenvolvidos. Em cada caso de estudo so admitidas duas possibilidades de
investigao global: soluo analtica pela equao da catenria (CAT) e anlise pelo
Mtodo dos Elementos Finitos (MEF) apenas com cargas estticas. Nas anlises
realizadas pelo mtodo analtico so considerados apenas carregamento gravitacional e
offset esttico de aproximao e afastamento entre conexo e ncora (NEAR e FAR).
Para ambos os casos, a convergncia do algoritmo foi estabelecida segundo o
critrio de proximidade entre a mdia da fitness dos indivduos e a fitness do melhor
indivduo. Desta forma foi estabelecida a interrupo da evoluo do algoritmo quando
a diferena entre mdia e melhor permanecer menor ou igual a 2% durante no mnimo 5
geraes.
Tabela 1 Estudo de caso I: Parmetros fsicos e geomtricos




11

Tabela 2 Estudo de caso I: Parmetros de otimizao e limites para o comportamento estrutural



Tabela 3 Estudo de caso II: Parmetros fsicos e geomtricos



Tabela 4 Estudo de caso II: Parmetros de otimizao e limites para o comportamento estrutural


Resultados

Estudo de Caso I
Figura 3 Estudo de Caso I: Controle de convergncia


12


Figura 4 Estudo de Caso I: Configurao otimizada

Tabela 5 Estudo de caso I: Comparativo de parmetros e variveis



Percebe-se que o procedimento de sntese que emprega avaliao analtica
resulta em uma configurao de menor comprimento total do que a fornecida pelo
procedimento que emprega o MEF, ainda que o comprimento do trecho com flutuadores
se mantenha em ambas as solues.
Percebe-se tambm que tanto a variao angular quanto a o ngulo de topo
alcanado so maiores para a o problema resolvido analiticamente. Observa-se ainda
que os nveis de tenso alcanados pela configurao avaliada analiticamente so
menores que os avaliados pelo MEF.

13


Estudo de Caso II
Figura 5 Estudo de Caso II: Controle de convergncia


Figura 6 Estudo de Caso II: Configurao otimizada

Tabela 6 Estudo de caso II: Comparativo de parmetros e variveis



Notas-se que as configuraes obtidas para o estudo de caso II para os diferentes
tipos de anlise so bastante semelhantes. Este efeito est relacionado ao peso do duto,
que por ser de pequeno dimetro menos sensvel aos carregamentos de correnteza.

14

Concluso
Pode-se afirmar que a aplicao de algoritmos genticos se mostra eficiente e
promissora para otimizao de sistemas offshore.
O comportamento dinmico dos risers importante e deve ser considerado nas
anlises.

15

4 4 O OT TI IM MI IZ ZA A O O D DE E R RI IS SE ER R R RI IG GI ID DO O E EM M C CA AT TE EN N R RI IA A P PA AR RA A
P PR RO OD DU U O O D DE E P PE ET TR R L LE EO O O OF FF FS SH HO OR RE E U UT TI IL LI IZ ZA AN ND DO O
S SI IS ST TE EM MA AS S I IM MU UN NO OL L G GI IC CO OS S A AR RT TI IF FI IC CI IA AI IS S [ [2 2] ]
Palavras Chave: Sistema Imunolgico Artificial, Otimizao, Riser Rgidos e Catenria.
Resumo
O artigo apresenta uma aplicao do Sistema Imunolgico Artificial (SIA)
usando CLONALG para a otimizao da configurao de um Steel Catenary Riser
(SCR) para explotao de petrleo em guas profundas e ultra-profundas.
O objetivo principal minimizar o nmero de avaliaes, empregando o SIA,
comparando seu desempenho com o procedimento de otimizao que emprega o
Algoritmo Gentico (AG).
Introduo
O desenvolvimento de atividades de explotao de petrleo em guas profundas
e ultra-profundas tem sido um dos grandes desafios enfrentados pela indstria de
petrleo de todo o mundo, haja vista a complexidade envolvida na instalao e operao
de riser para estes cenrios. Em guas ultra-profundas, as solicitaes provenientes da
ao das cargas ambientais podem freqentemente atingir ou exceder os limites de
viabilidade tcnica e econmica dos riser flexveis, amplamente utilizados em lminas
dgua mais rasas.
Recentemente, o conceito de SCR tem se mostrado capaz de superar tais
limitaes, e compreende uma alternativa vivel quando empregada em sistemas de
produo flutuantes. Estudos apresentados em [1] demonstraram que a configurao
lazy-wave, apresenta um comportamento estrutural mais favorvel do que o habitual, em
catenria, em ambiente com cargas de ondas e correntes marinhas.
Uma abordagem de otimizao ideal deve ser capaz de encontrar uma melhor
soluo no menor tempo possvel, procurando minimizar o nmero de anlises para o
clculo da aptido de cada configurao candidata.

16

SIA/CLONALG
A SIA considerado neste artigo utiliza o algoritmo de Seleo Clonal -
CLONALG para implementar o processo de otimizao. Este algoritmo foi inicialmente
proposto para a realizao de aprendizagem de mquina e tarefas de reconhecimento de
padres, e depois adaptado para resolver problemas de otimizao.
A base do algoritmo de otimizao CLONALG descrito a seguir:
i. gerar uma populao aleatria inicial de anticorpos (Ab) de tamanho N;
ii. calcular os valores de afinidade da populao Ab;
iii. gerar clones Nc por clonagem de todas as clulas N na populao Ab;
iv. mutao da populao clone para produzir um clone da populao em
idade madura;
v. selecionar os N melhores Ab para compor a nova populao;
vi. Repita os passos 2-5 at que atinja um critrio de parada pr-definido.
O sistema imunolgico usa um nmero relativamente pequeno de segmentos de
genes para construir os receptores de anticorpos. O rearranjo desses segmentos gene
pode gerar um nmero infinito de anticorpos que capaz de cobrir os espaos
antignicos. Prope-se um procedimento computacional inspirado em um conceito de
classes diferentes de anticorpos, as famlias anticorpos, capazes de co-evoluir. O
mecanismo de famlia de anticorpos permite que o algoritmo seja capaz de explorar
simultaneamente diferentes pontos do espao de busca.
O melhor anticorpo escolhido deterministicamente entre as clulas de cada
famlia de anticorpos, atravs da comparao de cada anticorpo original apenas com
seus clones. Este mecanismo pode garantir uma boa diversidade durante a evoluo.
Uma vez que estamos interessados em reduzir o tamanho da populao, a fim de reduzir
o nmero de avaliaes da funo, este mtodo permite a utilizao de um nmero
muito pequeno de anticorpos, sem perder a diversidade.

17

Algoritmo Gentico
Utiliza-se neste estudo o algoritmo gentico clssico com as seguintes
caractersticas:
codificao binria;
crossover em um nico ponto;
elitismo individual;
mtodo de seleo roleta.
A taxa de crossover varia de 0.75-0.90 em passos de 0.05. Trs tamanhos
diferentes da populao so considerados: 1000, 100 e 80 indivduos. A combinao
desses parmetros resulta em 48 conjuntos de teste para o AG. Cada conjunto
executado 5 vezes, totalizando assim 240 execues do algoritmo.
Representao do Problema Fsico
A Figura 7 apresenta um modelo esquemtico mostrando os parmetros que
definem uma configurao de riser Lazy-Wave.

Figura 7 Parmetros Geomtricos do Riser em configurao Lazy-Wave


18

Os parmetros geomtricos do riser so:
L1 - comprimento do segmento inferior do riser;
L2 - comprimento de segmentos com flutuadores distribudos;
L3 - comprimento do segmento de topo do riser;
- ngulo de topo;
Z - profundidade do ponto de conexo;
P - projeo horizontal.
Onde:
vii. os parmetros P, Z e as coordenadas dos pontos de conexo de topos dos
risers
viii. o ngulo est relacionado com a projeo P e o comprimento total (L1
+ L2 + L3), e apenas estes ltimos parmetros geomtricos preciso ser
considerados no processo de otimizao.
esto relacionados com o tipo de unidade flutuante;
Os parmetros relacionados com as bias so:
Lf comprimento da bia;
HDF dimetro da bia;
ESP espaamento entre bias;
Outros parmetros como o peso especfico e outras propriedades mecnicas das
bias podem ser considerados, porm neste trabalho apenas os parmetros geomtricos
Lf, HDF e ESP esto sendo considerados na otimizao.
A funo de custo deve ser expressa em funo dos seis parmetros utilizados na
otimizao, a saber:
( )
1..
max
1
i i buoy buoy
i n
f CI L V CI
f
=
( | |
= +
( |
\ .


Onde:

1.. i n =
representa o nmero de segmentos do riser;

i
CI representa o ndice de custos associado a cada segmento;

19


i
L comprimento do segmento;

buoy
CI - representa o ndice de custos associado ao volume da bia;

buoy
V - volume da bia;

max
f - valor mximo da funo objetivo f .
A funo aptido ou fitness pode ser definida como:
( )
1
j
fitness f P

= +


Onde:
f funo objetivo;

j
P

representa a soma de todas as penalidades;


As restries estruturais so as seguintes:
valor mximo da tenso de Von Mises nas sees do riser;
o ngulo mximo entre o eixo de elevao e a direo vertical na
conexo com a plataforma;
variao mxima angular entre a configurao de equilbrio neutra e
qualquer configurao adquirida pelo riser durante a aplicao das cargas
ambientais;
trao mxima no topo do riser;
tenso mnima na parte inferior do riser.
A violao de qualquer uma das restries acima resulta em uma penalizao
dada pela seguinte equao:
( )
3
1 , 1
0, 1
j
k x if x
P
if x

<


Onde:

j
P valor da penalidade;
x relao entre o valor limite e o valor calculado;
k fator para forar o surgimento de solues no restritas;

20

Dados do problema
O estudo de caso consiste em analisar um SCR em configurao Lazy-Wave , a
ser instalado em uma lmina dgua de 1290m, considerando uma projeo horizontal
de 2000m. Os parmetros fsicos e geomtricos do riser so apresentados na Tabela 7.
Tabela 7 Parmetros fsicos e geomtricos do riser



Os limites para o comportamento estrutural do riser esto definidos na Tabela 8.
Tabela 8 Parmetros de otimizao e limites para o comportamento estrutural



Resultados
importante salientar que o sucesso do algoritmo deve ser medido no s pela
reduo do nmero de avaliaes da aptido, mas tambm pelo valor mdio da aptido
do melhores indivduos.
A Tabela 9 resume os resultados das anlises paramtricas, comparando o
desempenho do AG e SIA em termos de valores estatsticos (mximo, mdio, mnimo e
desvio-padro) para fitness do melhor indivduo obtido na ltima gerao de todas as
execues de cada caso de teste. Os resultados so agrupados de acordo com o nmero
de indivduos. O primeiro grupo inclui os testes com o maior nmero de indivduos
(1000), e o segundo corresponde a todos os outros testes com populaes menores.

21

Tabela 9 Tabela resumo SAI/AG



Pode-se observar na tabela acima que o SIA superior em todas as situaes,
apresentando valores mais elevados de fitness.
Tabela 10 Resumo SAI: Mdia da fitness do melhor indivduo e nmero de avaliaes



Concluso
O principal objetivo do artigo realizar estudos de sensibilidade de alguns
parmetros do SIA e AG, buscando o menor nmero possvel de avaliaes chegando a
uma soluo tima. Foram propostas algumas melhorias no intuito de melhorar o
desempenho do SIA, como o conceito de "famlias de anticorpos".
A comparao entre os resultados do SIA e AG indicou que SIA apresenta um
comportamento superior ao AG, sendo capaz de encontrar uma melhor soluo com
menor nmero de avaliaes.

22


5 5 O OT TI IM MI IZ ZA A O O D DO O T TI IP PO O, , L LO OC CA AL LI IZ ZA A O O E E
T TR RA AJ JE ET T R RI IA A D DE E P PO O O OS S N N O O- -C CO ON NV VE EN NC CI IO ON NA AI IS S [ [3 3] ]
Resumo
O artigo aborda o problema da determinao tima do tipo, localizao e
trajetria de poos no-convencionais, devido a enorme variedade de possibilidades de
configurao. O mecanismo de otimizao utilizado foi o Algoritmo Gentico (AG)
aplicado em conjunto com outras rotinas (rede neural artificial, hill climber e upscaling
da vizinhana do poo), as quais aceleram o processo da determinao do timo global.
Alm disso, vale salientar que o processo depende do modelo do reservatrio e da
funo objetivo.
Introduo
Primeiramente foi apresentada a importncia da utilizao de poos no-
convencionais, os quais oferecem um grande potencial de recuperao de leo devido a
grande extenso do poo na rocha reservatrio. Adicionalmente foi apresentada a
dificuldade de se otimizar tal processo, j que h a necessidade de se considerar um
grande nmero de variveis. Assim, foi utilizado o Valor Presente Lquido (VPL) do
projeto como funo objetivo, sendo as funes de custo associadas ao simulador do
reservatrio.

23

Representao do Problema Fsico
Neste tpico foi apresentado o conjunto de variveis envolvidas no AG, bem
como a correlao entre elas. Abaixo est a lista resumida das variveis, como mostrado
na Figura 8:
: ponto qualquer ao longo do poo;
h: coordenada espacial do heel;
t: coordenada espacial do toe;
lxy: comprimento da trajetria projetada no plano x-y;
: orientao do poo no plano x-y;
J n: ponto de juno no poo principal, donde partem os poos laterais;
q: vazo de produo;
dwell: dimetro do poo principal.







Figura 8 Parmetros e configurao do poo

24


A funo objetivo do problema leva em considerao:
Qp: produo da fase p
Cp: lucro ou prejuzo associado com a produo;
Cwell: Custo do poo;
Cjun: Custo da juno;
lwell: comprimento do poo;
: inclinao do poo (poo horizontal =0, poo vertical =1);
A: fator de converso representado pelo custo especfico relativo a
localizao e condies do campo.


25

Algoritmos
Na definio do algoritmo, foi mostrado o cromossomo com os parmetros a
serem maximizado, conforme Figura 9:
As especificaes do AG foram:
pc=1/Nind, onde Nind o comprimento do cromossomo
pm=[0.8, 1]
Elitismo
Comprimento do cromossomo fixo, predefinido pelo nmero mximo de
junes (Njun) e de laterais por juno (Nlat)
Critrio de parada: nmero de geraes alcanar um valor predefinido


Figura 9 Representao do cromossomo


A figura a seguir apresenta o esquema geral do algoritmo implementado.

26



Figura 10 Esquema geral do algoritmo


Redes Neurais artificiais (ANN): Usado para estimar a funo objetivo.
Upscaling da vizinhana do poo: Acrescenta a heterogeneidade da
permeabilidade (efeito skin) nas proximidades do poo, a qual afeta o
fluxo radial.
Hill Climbing: Aplicado apenas na vizinhana prxima da soluo,
perturbando o ponto do heel do poo principal, em um grid em cada
direo.

27

Estudo de Caso e Resultados
O autor apresenta trs casos envolvendo tipos de reservatrios e sistemas de
fluidos diferentes. Os resultados obtidos esto mostrados nas figuras abaixo:



Figura 11 Caso 1A: Processo de otimizao e poo horizontal timo



Figura 12 Caso 1 B: Processo de otimizao e poo quadrilateral timo



Figura 13 Caso 2: Processo de otimizao e poo bilateral timo



28


Figura 14 - Caso 3 A: Processo de otimizao e poo trilateral timo para realizao nica


Figura 15 - Caso 3 B: Processo de otimizao e poo quadrilateral timo para realizaes mltiplas

Concluso
Em todos os casos estudados, a metodologia de AG proporciona solues
significativamente melhores, tanto em termos da produo acumulado de leo, quanto
do VPL, que a gerao inicial.
A melhora observada est listada na Tabela 11 para cada caso:
Tabela 11 Resultados do AG para os casos analisados

Caso Estudado Melhora VPL / Recuperao leo acumulada
Caso 1A 30% 13.3 MMSTB
Caso 1B 34% 188.0 MM$
Caso 2 23% 6.8 MMSTB
Caso 3A 15% 29.5 MM$B
Caso 3B 20% 24.0 MM$

29


Assim, pode-se observar que essa abordagem vlida, tendo como vantagem a
capacidade de manter populaes com uma larga variedade de tipos de poos. Alm
disso, geralmente o desempenho dos poos otimizados significativamente melhor que
o de poos selecionados aleatoriamente. Por fim, vale salientar que o tipo timo do poo
encontrado dependendo do tipo de reservatrio, do tipo de funo objetivo
especificada e do grau de incerteza do reservatrio.
6 6 C CO ON NC CL LU US S O O
Sem sombra de dvidas pode-se afirmar que o presente trabalho foi de suma
importncia no processo de aprendizado da disciplina Algoritmos Genticos.
Atravs dele foi possvel perceber a aplicabilidade dos algoritmos genticos nas
diversas reas do conhecimento, aprender como se realizar uma pesquisa eficiente de
artigos, alm de proporcionar uma complementao do aprendizado em sala de aula.

30

R RE EF FE ER R N NC CI IA A B BI IB BL LI IO OG GR R F FI IC CA A
[1] Luciano Tardelli Vieira, Breno P. J acob, Beatriz de S.L.P. Lima, Carl Horst
Albrecht: Utilizao de Algoritmos Genticos na Busca de Configuraes
Otimizadas para Sistemas de Risers. CILAMCE 2005 ABMEC & AMC,
Guarapari, Espirito Santo, Brasil, 2005.

[2] Ian N. Vieira, Beatriz S.L.P. de Lima, Breno Pinheiro J acob, Optimization of
Steel Catenary Risers for Offshore Oil Production Using Artificial Immune
System. 7th International Conference, ICARIS 2008, Phuket, Thailand, August
10-13, 2008. Proceedings Volume 5132/2008, 254-265, DOI: 10.1007/978-3-540-
85072-4_23.

[3] Burak Yeten, Louis J . Durlofsky, Khalld Aziz, Optimization of
Nonconventional Well Type, Location, and Trajectory. SPE Annual Technical
Conference and Exhibition, San Antonio, Texas, 2003.