Você está na página 1de 92

A OTIMIZAO DE GS LIFT NA PRODUO DE PETRLEO: AVALIAO

DA CURVA DE PERFORMANCE DO POO

Haroldo dos Santos Rizzo Filho

Dissertao de Mestrado apresentada ao Programa


de

Planejamento

Energtico,

COPPE,

da

Universidade Federal do Rio de Janeiro, como parte


dos requisitos necessrios obteno do ttulo de
Mestre em Planejamento Energtico.

Orientador: Lucio Guido Tapia Carpio

Rio de Janeiro
Junho de 2011

A OTIMIZAO DE GS LIFT NA PRODUO DE PETRLEO: AVALIAO


DA CURVA DE PERFORMANCE DO POO

Haroldo dos Santos Rizzo Filho

DISSERTAO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO


LUIZ COIMBRA DE PS-GRADUAO E PESQUISA DE ENGENHARIA
(COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE MESTRE
EM CINCIAS EM PLANEJAMENTO ENERGTICO.
Examinada por:
_______________________________________
Prof. Lucio Guido Tapia Carpio, D. Sc.

_______________________________________
Prof. Luiz Fernando Loureiro Legey, PhD.

_______________________________________
Dr. Joo Paulo Laquini, D. Sc.

RIO DE JANEIRO, RJ BRASIL


JUNHO DE 2011

Rizzo Filho, Haroldo dos Santos


A Otimizao de Gs Lift na Produo de Petrleo:
Avaliao da Curva de Performance do Poo/Haroldo dos
Santos Rizzo Filho. Rio de Janeiro: UFRJ/COPPE, 2011.
XII, 80 p. 29,7 cm. (COPPE/UFRJ)
Orientador: Lucio Guido Tapia Carpio
Dissertao (mestrado) UFRJ/ COPPE/ Programa de
Planejamento Energtico, 2011.
Referncias Bibliogrficas: p. 71-74
1. Otimizao de Gs Lift. 2. Curva de Performance do
Poo. 3. Modelo de Alarcn. I. Carpio, Lucio Guido Tapia. II.
Universidade Federal do Rio de Janeiro, COPPE, Programa de
Planejamento Energtico. III. Ttulo.

iii

O valor das coisas no est no tempo que


elas duram, mas na intensidade com que
acontecem. Por isso existem momentos
inesquecveis, coisas inexplicveis e pessoas
incomparveis.
Fernando Pessoa
iv

AGRADECIMENTOS
Em primeiro lugar, gostaria de agradecer ao meu orientador Guido que me
apoiou em todo momento. O professor Guido foi muito prestativo e paciente,
procurando sempre me direcionar dentro da minha pesquisa. Ao professor Guido o meu
muito obrigado.
Agradeo ao Professor Legey e ao engenheiro Laquini que aceitaram participar
da minha banca, momento muito especial em minha vida.
Gostaria de agradecer em muito ao meu irmo Nicolau, pessoa que me indicou e
incentivou a fazer o mestrado em planejamento energtico. Obrigado meu irmo por ter
me mostrado o caminho da energia.
Ao amigo Gustavo, grande companheiro na poca do Mestrado, sou grato pela
ateno e pacincia em ouvir minhas idias. Pessoa determinada e de um excelente
corao que sempre me incentivou nesta jornada.
Aos amigos Bruno, Daniel, Paulo, Vanessa, Marcelo pela grande companhia nas
aulas e nos estudos.
Meu grande amigo e professor Jos Manoel por sua amizade, lealdade e pelos
conselhos e ensinamentos. Saudades de nossas longas conversas.
Gostaria de agradecer aos professores do PPE pelas excelentes aulas, em
especial aos professores Legey, Guido, Alexandre Szklo, Roberto Shaeffer.
Um grande abrao ao pessoal da rea acadmica, sempre atenciosos e dedicados,
em especial a Sandrinha.
Aos meus pais pela perseverana em me dar uma boa educao e pelo carinho e
amor que tiveram comigo por toda a vida.
A minha irm e o Pedro por serem sempre prestativos e atenciosos comigo.
As minhas avs pelo carinho eterno que tiveram comigo, sempre com lindos
sorrisos.
Por fim, obrigado a todos que contriburam para a realizao desta dissertao.
Sobretudo a Deus por existir na minha vida.
v

Resumo da Dissertao apresentada COPPE/UFRJ como parte dos requisitos


necessrios para a obteno do grau de Mestre em Cincias (M.Sc.)
A OTIMIZAO DE GS LIFT NA PRODUAO DE PETRLEO: AVALIAO
DA CURVA DE PERFORMANCE DO POO
Haroldo dos Santos Rizzo Filho
Junho/2011

Orientador: Lucio Guido Tapia Carpio


Programa: Planejamento Energtico
O Gs Lift (GL) um dos mtodos mais conhecidos para a elevao artificial de
fluidos sendo largamente empregado na indstria do petrleo. Este mtodo consiste na
injeo de uma quantidade de gs nos poos facilitando o deslocamento dos fluidos at
a plataforma de produo. Entretanto, o gs disponvel para este fim geralmente
insuficiente e, consequentemente, uma distribuio tima do GL disponvel entre os
poos torna-se fundamental para maximizar a produo de petrleo da plataforma. A
realizao desse clculo requer o conhecimento prvio da curva de performance que
fornece a relao entre a produo de leo versus a vazo de GL de cada um dos poos
sujeitos ao processo de otimizao. Atualmente, o equacionamento matemtico dessa
curva no apresenta uma boa qualidade que permita representar a real produo de um
poo. Nesse contexto, este trabalho prope utilizar uma equao elaborada por Alarcn,
que expressa com maior representatividade a vazo de leo, medida em campo, de um
poo, a fim de calcular a taxa tima de GL para um grupo de poos. A idia central
deste trabalho analisar os ganhos obtidos na vazo de leo ao se otimizar a
distribuio do GL a partir desta nova equao, alm disso, ressaltar a importncia desta
tcnica de otimizao atravs dos resultados apresentados em um apropriado estudo de
caso. Por meio dos resultados apresentados esta pesquisa mostrou ainda a robustez do
algoritmo de programao no linear Gradiente Reduzido Generalizado (GRG) para
resolver este problema comparando-o com o algoritmo gentico.

vi

Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the


requirements for the degree of Master of Science (M.Sc.)

THE GAS LIFT OPTIMIZATION IN A OIL PRODUCTION: AVALIATION


OF WELLS PERFORMANCE CURVE
Haroldo dos Santos Rizzo Filho
June/2011
Advisor: Lucio Guido Tapia Carpio
Department: Energy Planning
The Gas Lift (GL) is one of the most common artificial lift methods widely used
in the oil industry. This method consists in a gas injection quantity into the wells to
facilitate the fluid flow until the production platform. However, the gas available is
generally insufficient and, consequently, an optimal distribution form of GL amongst
the wells becomes fundamental to obtain the platform maximum oil production rate.
This calculation requires a previous knowledge of the performance curve that
provides the relationship between the production oil rate and the GL flow for each
well subject to this optimization process. Currently, the mathematical modeling of this
curve does not have a good quality to represent the actual well production. This work
proposes using an equation developed by Alarcon, which expresses with larger
representativity the oil flow obtained by field measurements, in order to perform the GL
optimization for a group of wells. The main idea of this work is to analyze the acquired
gains by optimizing the GL from this new equation, furthermore, emphasize the
importance of this optimization technique through the results presented in an extensive
case study. Through the results presented this research also shows the strength of the
algorithm of nonlinear programming Generalized Reduced Gradient (GRG) to solve this
problem comparing it with the genetic algorithm.

vii

SUMRIO

INTRODUO........................................................................................................ 1
1.1

Evoluo da demanda de energia e a importncia do petrleo......................... 1

1.2

Mtodos para aumento da produo de campos de petrleo em produo ...... 4

1.3

O mtodo do Gs Lift ....................................................................................... 6

1.4

Proposta para redistribuio do GL .................................................................. 7

1.5

Viso geral do trabalho..................................................................................... 9

1.6

Objetivo Geral ................................................................................................ 10

REVISO BIBLIOGRFICA ............................................................................... 11


2.1

Breve histrico do petrleo no Brasil ............................................................. 11

2.2

Reservatrio.................................................................................................... 13

2.2.1

Engenharia de reservatrio ......................................................................... 13

2.2.2

Mtodos de estimativa de reservas ............................................................. 16

2.3

Elevao de petrleo....................................................................................... 17

2.3.1

Introduo................................................................................................... 17

2.3.2

Elevao natural ......................................................................................... 18

2.3.3

Elevao artificial ....................................................................................... 22

2.3.3.1

Bombeio por Cavidades Progressivas (BCP) ..................................... 22

2.3.3.2

Bombeio Centrfugo Submerso (BCS) ............................................... 23

2.3.3.3

Bombeio Mecnico (BM)................................................................... 24

2.4

Gs Lift ........................................................................................................... 25

2.5

Alocao de Gs Lift ...................................................................................... 28

METODOLOGIA................................................................................................... 31
3.1

Descrio do problema para alocao do GL................................................. 31

3.2

Elaborao da Curva de Performance do Poo (CPP).................................... 32

3.3

Pontos de interesse na CPP............................................................................. 33

3.3.1

Mxima Produo na CPP.......................................................................... 33


viii

3.3.2

Maior Receita na CPP (Tangente Econmica) ........................................... 34

3.3.3

Mxima Produo na CPP versus Maior Receita na CPP .......................... 35

3.4

O modelo de Alarcn...................................................................................... 36

3.5

Anlise dos Resduos...................................................................................... 38

3.5.1

Pressuposto da Distribuio Normal .......................................................... 39

3.5.2

Pressupostos da Mdia Nula, Varincia Constante e Independncia ......... 40

3.6

Mtodo do Gradiente Reduzido Generalizado (GRG) ................................... 40

3.6.1

Variao Restrita ........................................................................................ 41

3.6.2

O algoritmo do Gradiente Reduzido Generalizado .................................... 45

3.6.3

Demonstrao do caso geral ....................................................................... 46

RESULTADOS ...................................................................................................... 50
4.1

Campo da Petrobras........................................................................................ 50

4.2

Anlise dos resduos do poo HG-07 ............................................................. 51

4.3

Anlise da produo dos poos situados no campo analisado da Petrobras... 55

4.4

Mxima vazo de leo terica ........................................................................ 56

4.5

Limitao atual do Gs Lift ............................................................................ 58

4.6

CPP de Alarcn versus CPP de segundo grau................................................ 61

4.6.1

Grfico auxiliar........................................................................................... 63

4.7

Atualizao da CPP ........................................................................................ 64

4.8

Comparativo entre os algoritmos GRG e Gentico ........................................ 64

CONCLUSO........................................................................................................ 67

REFERNCIA BIBLIOGRFICA................................................................................ 71
ANEXO I DESCRIO DETALHADA DO CICLO REALIZADO PELA BOMBA
DE FUNDO DO SISTEMA DE BOMBEAMENTO MECNICO .............................. 75
ANEXO II ESTIMATIVA DO VALOR DA DERIVADA ECONMICA............... 76
ANEXO III RESOLUO DE UM PROBLEMA DE OTIMIZAO ATRAVS
DO GRADIENTE REDUZIDO GENERALIZADO. .................................................... 77
ix

LISTA DE FIGURAS
Figura 1.1 Evoluo do consumo de energia final ........................................................ 1
Figura 1.2 Evoluo do consumo final energtico por fonte......................................... 2
Figura 1.3 Diviso percentual dos mtodos de elevao do petrleo em...................... 5
Figura 1.4 Diviso percentual dos mtodos de elevao do petrleo na produo de
Petrobras em 2009 ............................................................................................................ 6
Figura 1.5 Conjunto de poos de produo que produzem via GL. .............................. 7
Figura 2.1 Evoluo das reservas provadas de petrleo.............................................. 12
Figura 2.2 Curva de IPR para o modelo linear ............................................................ 15
Figura 2.3 Curva de IPR para o modelo de Vogel....................................................... 16
Figura 2.4 Curvas de IPR e TPR ................................................................................. 21
Figura 2.5 Bomba de Cavidades Progressivas ............................................................ 23
Figura 2.6 Conjunto Bomba Centrfuga Submersa ..................................................... 24
Figura 2.7 Conjunto do sistema BM............................................................................ 25
Figura 2.8 Poo operado por gs lift............................................................................ 26
Figura 2.9 Influncia da injeo de GL na curva TPR ............................................... 27
Figura 2.10 Injeo de GL em um poo no surgente................................................. 28
Figura 2.11 Curva de Perfomance de Produo .......................................................... 29
Figura 3.1 Curva de Performance de quatros poos diferentes ................................... 32
Figura 3.2 Pontos de mxima produo e de receita mxima na CPP ........................ 33
Figura 3.3 Modelo de Alarcn traado a partir dos dados de injeo de Niskikiori ... 37
Figura 3.4 Curva de segundo grau traado a partir dos dados de injeo de Niskikiori
........................................................................................................................................ 37
Figura 3.5 Esboo de uma funo objetiva y(x1, x2) e uma restrio f(x1, x2)=0........ 42
Figura 3.6 Curva PQ formada pelos pontos que satisfazem a restrio do problema . 43
Figura 4.1 CPPs elaboradas pelo mtodo de Alarcn e o polinmio de segundo grau52
Figura 4.2 Resduos entre os dados de produo e os ajustados pelo modelo de
Alarcn. .......................................................................................................................... 53
Figura 4.3 Resduos entre os dados de produo e os ajustados pela curva de segundo
grau ................................................................................................................................. 54
Figura 4.4 Distribuio dos resduos pelo Grfico normal Q-Q PLOT ...................... 55
Figura 4.5 Produo otimizada do campo analisado variando a disponibilidade de GL
........................................................................................................................................ 63
x

LISTA DE TABELAS
Tabela 4.1 Coeficiente das CPPs segundo o modelo de Alarcn................................ 50
Tabela 4.2 Coeficiente de determinao (r) ............................................................... 51
Tabela 4.3 Produo do Campo analisado da Petrobras.............................................. 58
Tabela 4.4 Comparativo para a disponibilidade de GL em 1600 e 2000 std Mm/d... 60
Tabela 4.5 Comparativo da produo otimizada do campo escolhido da Petrobras
entre a CPP ajustada pelo mtodo de Alarcn e o Polinmio de segundo grau ............. 62
Tabela 4.6 Comparativo entre os algoritmos GRG e Gentico demonstrando a
produo de leo otimizada............................................................................................ 65
Tabela 4.7 Nmero de iteraes e intervalo de tempo demandado pelo algoritmo GRG
para otimizar o problema de GL..................................................................................... 65

xi

LISTA DE SIGLAS
ANP Agncia Nacional do Petrleo
BCP

Bombeio por Cavidades Progressivas

BCS

Bombeio Centrfugo Submerso

BHJ

Bombeio Hidrulico a Jato

BM

Bombeio Mecnico

BPD

Barril de Petrleo por Dia

CPP

Curva de Performance do Poo

E&P

Explorao e Produo

EIA

Energy Information Administration

EPE

Empresa de Pesquisa Energtica

GL

Gs Lift

GN

Gs Natural

GRG Gradiente Reduzido Generalizado


IP

ndice de Produtividade

IPR

Inflow Performance Reservoir

MPRI Minerals Processing Research Institute


PDE

Plano Decenal de Expanso de Energia

RGO Razo Gs leo


RGL Razo Gs Lquido
SPE

Society Petroleum Engineers

SQP

Sequential Quadratic Programming

TEP

Tonelada Equivalente de Petrleo

TPR

Tubbing Pressure Requeriment

VOIP Volume de leo in place


VPL

Valor Presente Lquido

WTI

West Texas Intermediate

xii

1 INTRODUO
1.1

Evoluo da demanda de energia e a importncia do petrleo


A explorao e produo (E&P) de petrleo no Brasil e no mundo esto

associadas a grandes desafios ambientais, polticos, sociais, tcnicos e econmicos. A


cada dia, maiores so as adversidades encontradas pelas companhias petrolferas para
aumentar a oferta de petrleo, de modo que esta acompanhe o crescimento da demanda
de energia como sinaliza o Plano Decenal de Expanso de Energia (PDE-2019)
elaborado pela Empresa de Pesquisa Energtica (EPE). A Figura 1.1 apresenta a
evoluo do consumo final de energia no Brasil, com base no cenrio classificado pela
EPE como surfando a marola, em que o crescimento da economia brasileira supera o
da economia mundial moderadamente1. Como pode ser observado, o consumo
energtico em 2019 ser aproximadamente 60 % maior do que o consumo em 2010
(228 milhes para 365 milhes de Tonelada Equivalente de Petrleo tep), um
aumento projetado mdio de 5,4 % ao ano.

400000
350000

miltep

300000
250000
200000
150000
100000
50000
0
2010

2014

2019

Figura 1.1 Evoluo do consumo de energia final


Fonte: Elaborao prpria com base na EPE, 2010

Cenrio em que EPE considerou que a taxa de crescimento da economia mundial 4,1% e da economia
nacional de 5,1% ao ano.

A projeo da demanda at 2019, portanto, uma evidncia da necessidade de


aumentar a produo de petrleo para atender o mercado brasileiro. Em paralelo a essa
necessidade, outras fontes energticas esto em processo de desenvolvimento para
aumentar a oferta e diversificar a matriz energtica. Entre essas fontes podem ser
citadas: a energia elica, a solar, a geotrmica2, a bioenergia produzida atravs da
transformao da biomassa em biodiesel, o etanol entre outras.
Ainda que o prospecto atual indique alternativas energticas como meio de
suplementar a oferta de energia para suprir o crescimento na demanda de energia, o
petrleo continuar sendo por algum tempo a principal fonte na matriz energtica
mundial. A Figura 1.2 mostra a evoluo do consumo energtico final por fonte
esperado para o ano de 2019 com base no PDE-2019.

2010
Derivados de
Petrleo 35,7%

2019
Gs Natural 7,3%
Carvo Mineral e
Coque 4,4%

Gs Natural 8,8%

Derivados de
Petrleo 31,9%

Carvo Mineral e
Coque 6,3%

Lenha e Carvo
Vegetal 10,4%

Lenha e Carvo
Vegetal 9,3%

Bagao de
Cana 14,6%

Bagao de
Cana 14,6%

Etanol 6,5%
Eletricidade 17,2%

Etanol 7,3%
Eletricidade 16,7%

Outras Renovveis 4,0%

Outras Renovveis 5,1%

Figura 1.2 Evoluo do consumo final energtico por fonte


Fonte: EPE, 2010

Como pode se observar na Figura 1.2, a participao percentual dos derivados de


petrleo e gs natural na matriz energtica, at o ano de 2019, continuar bastante
expressiva, ocupando em torno de 41% dessa matriz. O petrleo de suma importncia
no s por sua capacidade de prover uma boa quantidade da energia consumida
atualmente como tambm por apresentar uma cadeia logstica fortemente estruturada
para sua distribuio e comercializao. Alm disso, o petrleo no utilizado apenas
como fonte energtica, mas tambm como insumo dos produtos fabricados pela
indstria da petroqumica.
2

Energia geotrmica a energia obtida do calor proveniente do interior da Terra.

Segundo Dvila (2002),


petrleo e gs natural so normalmente percebidos pelo
grande pblico como sendo essencialmente fontes primrias de
combustveis, seja para uso em meios de transporte na forma de
gasolina, diesel ou mesmo gs, seja para gerao de calor
industrial por combusto em fornos e caldeiras. Todavia, nem
todos tm presente que tambm do processamento inicial
desses mesmos recursos naturais que provm s matriasprimas bsicas de um dos pilares do sistema industrial
moderno, a indstria petroqumica. Partindo geralmente da
nafta, que uma frao lquida do refino do petrleo, ou do
prprio gs natural tratado, os sofisticados processos
petroqumicos

so

capazes

de

quebrar,

recombinar

transformar as molculas originais dos hidrocarbonetos


presentes no petrleo ou no gs, gerando, em grande escala,
uma diversidade de produtos, os quais, por sua vez, iro
constituir a base qumica dos mais diferentes segmentos da
indstria em geral. Atualmente, possvel identificar produtos
de origem petroqumica na quase totalidade dos itens
industriais consumidos pela populao tais como embalagens e
utilidades domsticas de plstico, tecidos, calados, alimentos,
brinquedos, materiais de limpeza, pneus, tintas, eletroeletrnicos, materiais descartveis e muitos outros.
Com a tendncia apresentada no crescimento do consumo energtico do Brasil
assim como nos produtos derivados de bens e consumo torna-se imperativo, neste
momento, estudar novas tcnicas para aumentar a produo de petrleo. A descoberta
de novas reservas de petrleo no acompanha o ritmo acelerado de crescimento na
demanda deste insumo, fortalecendo a idia que cada dia torna-se mais importante que
as indstrias petrolferas invistam em outros recursos que permitam recuperar uma
frao maior de leo dos campos em produo. Mesmo assim, aumentar a quantidade de
leo recuperado no por si s suficiente, necessrio tambm aumentar a vazo diria
de leo produzido de forma a acompanhar o aumento no consumo dirio deste produto.
3

1.2

Mtodos para aumento da produo de campos de petrleo em produo


Vrias tcnicas e metodologias so aplicadas para aumentar ou mesmo manter a

vazo de leo dos campos de petrleo. Muitas vezes, o reservatrio, no incio de sua
vida produtiva, possui energia suficiente para elevar os fluidos da formao at a
superfcie. Aps um perodo de produo, a energia do reservatrio vai decrescendo at
um momento em que a vazo dos poos localizados nessa rea atinge um nvel no
vivel economicamente. Para evitar essa queda na vazo existem os mtodos para
manuteno da energia do reservatrio que pressurizam a regio em interesse. Um
mtodo frequentemente utilizado consiste na injeo de gua no reservatrio por
intermdio de poos injetores, contudo h outras tcnicas similares a esta, como a
injeo de gs carbnico, vapor dgua entre outros.
Outros reservatrios, porm, mesmo mantendo a energia original contida no
interior de suas rochas, no tm fora suficiente para escoar o leo at a superfcie ou
produzem fora de uma condio tima operacional. Nessas situaes so aplicados os
mtodos de elevao artificial dos fluidos que fornecem, atravs de mecanismos
externos, energia adicional diretamente ao fluido que se encontra na coluna de
produo3, facilitando seu deslocamento at a unidade de processamento.
Existem vrios mtodos para a elevao artificial dos fluidos, mas basicamente o
mecanismo acontece por meio de uma bomba mecnica, ou atravs da injeo de gs
natural na coluna de produo. No captulo 2, uma explicao mais detalhada sobre os
mtodos de elevao ser abordada, demonstrando melhor os mecanismos para
fornecimento de energia aos fluidos.
Os mtodos mais utilizados so: Bombeio Centrfugo Submerso (BCS),
Bombeio Mecnico (BM), Bombeio por Cavidades Progressivas (BCP) e o Gs Lift
Contnuo e Intermitente (GLC e GLI). A seguir, o grfico da Figura 1.3 apresenta a
quantidade percentual de poos da Petrobras que utilizam cada um dos mtodos de

Coluna de produo - tubulao que conduz o petrleo do reservatrio at a rvore de natal


(equipamento dotado de um conjunto de vlvulas que controlam a abertura e fechamento do poo).

elevao artificial, alm dos poos que so surgentes, ou seja, que produzem
estritamente com energia natural existente no interior das rochas reservatrios.

Figura 1.3 Diviso percentual dos mtodos de elevao do petrleo em


nmero de poos.
Fonte: Elaborao prpria a partir de Nascimento, 2005

O grfico da Figura 1.3 mostra que o mtodo mais utilizado na Petrobras o


bombeio mecnico. Segundo Nascimento (2005), tambm o mtodo mais antigo e
utilizado somente para poos localizados em terra. Apesar de o bombeio mecnico ser o
mtodo mais aplicado, ao considerar a produo total, o Gs Lift (GL) detm a maior
participao percentual em volume produzido de leo no Brasil, sendo largamente
empregado para poos offshore. A Figura 1.4 mostra o volume percentual produzido por
cada um dos mtodos utilizados. Devido ao fato de o maior percentual da produo
brasileira de petrleo e gs ser extrada utilizando o mtodo do GL, esta forma de
produo foi o alvo deste trabalho, sendo extensamente detalhada.

Figura 1.4 Diviso percentual dos mtodos de elevao do petrleo na produo de


Petrobras em 2009
Fonte: Elaborao prpria

1.3

O mtodo do Gs Lift
O presente trabalho trata especificadamente o mtodo artificial de elevao

conhecido como Gs Lift (GL), tcnica utilizada para permitir produo de poos que
no tm presso suficiente para o deslocamento do leo ou para aumentar a vazo do
mesmo. O GL o nome dado ao processo em que Gs Natural (GN) injetado a partir
da unidade de produo em cada um dos poos produtores, auxiliando o escoamento
dos fluidos do reservatrio at a plataforma de produo.
O procedimento para elevao do fluido utilizando o GL descrito no exemplo4
a seguir: o leo extrado dos poos apresentam associadamente uma parcela de gs, e
em alguns casos, gua, essa mistura conduzida at o separador que francione esses trs
componentes; a corrente de gs obtida direcionada a um compressor para aumentar
sua presso, e aps pressurizado, uma parcela escoada via gasoduto para fins
comerciais e outra reinjetada nos poos produtores Esta ltima parcela , de fato, a
frao de gs que ser utilizada no mtodo artificial de elvao, GL.

Nesse exemplo no foi considerado que h poos injetores de gs na planta de processamento para
facilitar o entendimento, mas caso existam, uma terceira corrente de gs sairia do compressor em direo
a esses poos.

Na teoria, o gs injetado reduz a densidade mdia dos fluidos produzidos


formando uma mistura mais leve, assim o escoamento do leo torna-se mais fcil,
reduzindo

presso

requerida

para

desloc-lo.

Figura

1.5

representa

esquematicamente o processo para injeo de gs natural nos poos de produo de uma


determinada unidade de produo de petrleo.

Figura 1.5 Conjunto de poos de produo que produzem via GL.


Fonte: Nakashima, 2004

1.4

Proposta para redistribuio do GL


A projeo no crescimento na demanda por energia e produtos de base, assim

como o fato de que as empresas querem obviamente obter mais lucros, direcionou o
tema deste trabalho para um estudo visando aumentar a produo de petrleo de uma
plataforma qualquer. Este estudo trata da maximizao da produo diria de leo em
uma unidade de produo de petrleo dotada de poos produtores que utilizam apenas o
GL como mtodo artificial de elevao dos fluidos. Como mostrado na Figura 1.4, esta
tcnica predomina na produo nacional de petrleo, sendo largamente utilizada em
poos offshore devido versatilidade do mtodo que ser abordada mais a frente.

Nesse sentido, o estudo procura maximizar a produo de leo de uma


plataforma atravs da redistribuio de GL dos poos de uma determinada unidade. Esta
tcnica no permite aumentar o fator de recuperao do campo, mas antecipar a
produo, aumentando o Valor Presente Lquido (VPL) de caixa da empresa. Alm
disso, proporcionar aumento no volume dirio produzido de petrleo atravs da maior
vazo diria obtida por poo.
A grande questo envolvendo o mtodo GL, que gerou e ainda objeto de vrios
estudos, reside no fato de que o gs injetado nos poos benfico at certo limite. A
partir de uma dada taxa de injeo, o processo se inverte, a vazo de gs comea a se
tornar muito alta, passando a reduzir a produo de leo ao invs de aumentar.
Fisicamente, a vazo da mistura, fluido produzido mais gs injetado, em nveis muito
elevados aumenta vertiginosamente o atrito na coluna de produo, preponderando
sobre o ganho obtido com a reduo na densidade mdia dos fluidos produzidos. Dito
isto, existe, portanto, um limite timo operacional de injeo por poo a partir do qual a
produo de leo comea a declinar.
Na prtica, o ponto timo operacional nem sempre atingido em todos os poos
de uma mesma plataforma de produo, por limitaes tcnicas existentes. Por exemplo,
em alguns poos a presso de injeo de GL necessria para alcanar o timo
operacional to elevada que ultrapassa a presso mxima de descarga do compressor,
impedindo alcanar a vazo tima de GL. Outro exemplo a capacidade mxima de
vazo de gs que pode fluir no compressor, que pode limitar a soma das vazes timas
de GL para os poos desta plataforma. Ao se considerar esta e outras restries tcnicas
existentes na planta de processamento, fica claro que o estudo para maximizar a
produo da plataforma no pode simplesmente ajustar cada poo individualmente, esta
anlise deve tratar os poos em conjunto, avaliando as restries da plataforma.
No obstante, para realizar a otimizao na distribuio de GL de uma
determinada plataforma necessrio primeiramente conhecer a relao entre o gs
injetado e a produo de leo de cada um dos poos. Para obter esta relao so
realizados testes na plataforma, para cada um dos poos, em que se varia a vazo do
GL, e com essa variao formam-se pontos evidenciando a produo de leo para cada
faixa de injeo do GN.

A partir de uma amostra, equaciona-se uma expresso


8

matemtica representando a relao da produo de leo versus o GL. Aps obter as


equaes matemticas dessa relao, as mesmas so inseridas no modelo de otimizao
para calcular a distribuio do gs injetado aos poos.
A otimizao do GL um mtodo que j vem sendo praticado pelas empresas
petrolferas, mas que ainda merece uma ateno especial, pois existem ganhos a serem
explorados neste processo. A proposta deste trabalho alm de elaborar um estudo para
otimizao do GL em um dos campos que concesso da Petrobras, prope uma
equao matemtica geral que represente melhor a relao entre leo produzido versus
vazo de gs injetado.
Dessa forma, este trabalho ressalta tambm o ganho adicional em realizar a
otimizao de GL de posse de uma equao mais representativa da produo real do
poo, quando se varia a vazo desse gs. O trabalho utiliza uma ferramenta simples para
otimizao do problema proposto, disponvel no aplicativo Solver do Excel.

1.5

Viso geral do trabalho

O captulo 2 apresenta a reviso bibliogrfica de conceitos relacionados ao


reservatrio e elevao e escoamento do petrleo. Uma abordagem sobre alguns
mtodos de elevao artificial foi realizada, com maior foco sobre o mtodo do GL.
Realizou-se ainda neste captulo uma reviso da bibliogrfica por meio de artigos
desenvolvidos nesta rea que estudaram a otimizao de GL de maneiras diversas.
No captulo 3, a curva elaborada por meio dos pontos formados pelo leo
produzido versus a vazo de gs injetada definida conceitualmente. Nessa etapa
apresentada a formulao matemtica tradicionalmente utilizada para representar essa
curva, e, em seguida, uma nova equao proposta a fim de representar mais fielmente
essa relao. Ainda neste tpico, o Gradiente Reduzido Generalizado (GRG), algoritmo
escolhido para solucionar o problema de redistribuio do GL, apresentado. A
metodologia de busca deste algoritmo descrita, contando com um exemplo no anexo
III para mostrar seu funcionamento.

O captulo 4 apresenta os resultados relativos otimizao dos poos,


comparando o ganho percebido da curva proposta com aquela tradicionalmente
utilizada. Por fim, faz um comparativo entre os algoritmos GRG e gentico, para
demonstrar a eficincia do GRG. No captulo 5 sero apresentadas as concluses
obtidas aps a anlise dos resultados.

1.6

Objetivo Geral
Objetivo principal deste trabalho avaliar qual ser o ganho na produo de leo

quando a otimizao de GL for realizada adotando uma curva que represente melhor os
dados de produo de um poo versus o gs injetado. Dessa forma, quanto mais
representativa for essa curva melhor ser a distribuio do gs total injetado nos poos,
permitindo uma maior produo de leo na plataforma. A seguir os objetivos
especficos so: verificar o impacto na produo diria de petrleo ao se otimizar o GL,
analisar a relao entre a otimizao de GL e sua disponibilidade, comprovar a robustez
do algoritmo GRG ao otimizar o GL comparando-o com o algoritmo gentico

10

2.1

REVISO BIBLIOGRFICA

Breve histrico do petrleo no Brasil


Pode-se dizer que o marco inicial da indstria do petrleo no mundo foi a

perfurao do famoso poo do Coronel Drake, em Titusville, localizado no estado


americano da Pensilvnia em 1859. No Brasil, o primeiro poo perfurado foi em
Lobato, na Bahia, no ano de 1939. Porm, somente dois anos aps foi descoberto, em
Cadeias, o que viria a ser o primeiro poo comercial.
O comeo da indstria do petrleo no Brasil foi bastante conturbado, muitos no
acreditavam que existia leo no subsolo brasileiro. Existiam duas correntes com idias
diferentes em relao existncia de petrleo no pas: a primeira dizia que as
multinacionais aqui instaladas no queriam que esse recurso natural fosse descoberto
para no prejudicar as vendas relativas aos derivados em um mercado crescente como o
Brasil; e o segundo grupo acreditava que o Brasil era um pas pobre nessa fonte de
energia, diferente dos Estados Unidos.
Aps o conturbado comeo e principalmente com o fim da segunda guerra
mundial, surgiu o movimento o petrleo nosso. Esse movimento foi capaz de reunir
um grande espectro poltico, aderindo a este os nacionalistas, os esquerdistas e os
militares que sabiam da importncia estratgica deste recurso energtico. Finalmente em
1953, no governo do presidente Getlio Vargas, foi criada a empresa estatal Petrleo
Brasileiro S.A. (Petrobras) que viria a deter o monoplio na extrao, perfurao,
produo, refino e comercializao na cadeia produtiva do petrleo. A queda desse
monoplio ocorreu somente 40 anos aps a fundao da estatal com a emenda
constitucional n 9 (09/11/1995) e da nova lei do petrleo (lei n 9478, 06/08/1997).
Em 2006, passados 65 anos da primeira descoberta comercial em Candeias, a
produo de petrleo no Brasil ultrapassou a demanda interna de petrleo, alcanando a
to sonhada autossuficincia. Junto a este aspecto, o pas desenvolveu ao longo dos anos
notria capacidade na cadeia produtiva desse insumo, conseguindo grande avano nos
equipamentos de explorao e produo. Alcanou tecnologia de ponta em diversas
11

reas do setor, como por exemplo, a produo de leo em guas profundas, pouco
dominada ainda por muitos pases que tm atividade nesse ramo. (BACOCCOLI, 2008)
O desenvolvimento da produo do petrleo no Brasil passou por trs grandes
fases. A primeira foi a fase terrestre que foi iniciada na mesma poca da criao
Petrobras em 1954. Em seguida, entre os anos de 1968 e 1974, comearam os estudos
de explorao e desenvolvimento em guas rasas e por fim, de 1974 at hoje, a
descoberta de petrleo em guas profundas.
Essas descobertas de novas reas providas de petrleo foram fundamentais para
permitir que a produo de leo fosse compatvel com o aumento no consumo que vem
crescendo desde a dcada de 80. A seguir, a Figura 2.1 mostra a evoluo das reservas
brasileiras provadas5.

Figura 2.1 Evoluo das reservas provadas de petrleo


Fonte: ANP, 2011

Reserva provada segundo classificao da Society Petroleum Engineers (SPE) so aquelas quantidades
de petrleo que, por anlise de dados geolgicos e de engenharia, podem-se estimar, com razovel
certeza, serem comercialmente recuperveis at uma determinada data. Se mtodos probabilsticos forem
utilizados, a SPE define que deve haver pelo menos 90% de chance que as quantidades de
hidrocarbonetos, realmente recuperadas, se igualem ou excedam as estimativas.

12

2.2

Reservatrio

2.2.1

Engenharia de reservatrio
O estudo do reservatrio6 faz parte da engenharia de petrleo que tem a

responsabilidade de fazer a anlise das propriedades bsicas das rochas e dos fluidos
nelas contidos. A anlise dessas propriedades permite obter parmetros importantes para
determinar a viabilidade tcnico-econmica do campo de produo em questo. Os
principais parmetros definidos nesse estudo so porosidade, volume de leo in place
(VOIP7), permeabilidade, ndice de Produtividade (IP), fator de recuperao8 entre
outros.
Primeiramente, a porosidade e a saturao de fluidos da rocha reservatrio em
anlise so obtidas nas pesquisas feitas pelo gelogo. A porosidade nada mais que a
relao entre o volume de vazio e o volume total da rocha, e a saturao a
porcentagem de cada fluido no interior da rocha. Com esses dados e os da geometria da
rocha possvel fazer uma estimativa do volume de cada fluido existente no
reservatrio, clculo conhecido como mtodo volumtrico.
Um dos parmetros mais importantes a ser definido a permeabilidade da rocha
que est correlacionada diretamente com a quantidade de poros que esto
interconectados, fenmeno este fundamental para que o leo se mova ao longo dos
poros at a coluna do poo, permitindo a produo. Os caminhos criados pelos poros
interconectados podem ser chamados de canais porosos, e quanto mais estreitos e
mais tortuosos forem, maior ser a dificuldade para que os fluidos se movam, em
contraste, canais com poros maiores e mais conectados oferecem menor resistncia,
caracterizando maior permeabilidade. Dessa forma, a permeabilidade calculada, a
partir da equao 2-1, ao se realizar testes em uma amostra da rocha retirada durante a
perfurao do poo, em que se mede o diferencial de presso para fluir leo em uma
determinada vazo.
6

Reservatrio trata-se de uma formao rochosa permevel, porosa ou fraturada em subsuperfcie. Pode
conter quantidades de petrleo ou gua trapeada; e pode ser rodeado por camadas de rochas pouco ou
quase totalmente impermeveis.
7
VOIP um volume de leo no interior do reservatrio.
8
Fator de recuperao o quociente entre o volume de leo recuperado e o volume de leo original no
reservatrio. Ou seja, o percentual do volume original que se espera produzir em um reservatrio.

13

K =

qL
Ap

2-1

Onde:
K = permeabilidade;
q = vazo do fluido;
= viscosidade do fluido;
A = rea do meio poroso perpendicular ao escoamento do fluido;
L = comprimento do meio poroso, medido na direo do escoamento do fluido;
p = presso diferencial.
Outro parmetro muito importante tambm o IP, com o qual possvel
identificar o potencial de produo do poo, e ainda, qual a presso entregue pelo
reservatrio ao poo em uma determinada vazo. Existem alguns mtodos que so
utilizados para o clculo do IP, dentre os quais esto o modelo linear e o modelo de
Vogel. (NASCIMENTO, 2005)
O modelo linear explicitado na equao 2-2 definido pelo quociente entre
vazo e a presso diferencial (diferena da presso do reservatrio e da presso de fluxo
no fundo do poo). A Figura 2.2 representa a curva conhecida como Inflow Perfomance
Relationship (IPR) para o modelo linear.

IP =

q
Pe Pwf

2-2

Onde:
q = vazo de fluido;
Pe = presso esttica do reservatrio;
Pwf = presso de fluxo no fundo do poo.

14

Figura 2.2 Curva de IPR para o modelo linear


Fonte: Nascimento, 2005

O ponto onde a curva de IPR intercepta o eixo horizontal representa o potencial


do poo, este ponto significa a mxima vazo considerando a presso de fluxo no fundo
igual a zero. Porm, este valor apenas terico, pois na prtica impossvel reduzir a
Pwf a zero.
O modelo linear utilizado quando a Pwf est acima do ponto de bolha9, ou
tecnicamente quando esta presso est acima da presso de saturao (Psat) do leo. No
caso em que o reservatrio produz leo com gs em soluo, ou seja, situao em que as
presses esto abaixo da presso de saturao do leo, utilizado o modelo de Vogel
descrito na equao 2-3. A curva formada por este modelo est representada na Figura
2.3.

q
qmx

= 1 0,2

Pwf
Pe

0,8

Pwf2
Pe2

2-3

Ponto de Bolha condio de temperatura e presso na qual a evaporao de um lquido se inicia, ou


seja, momento em que se forma a primeira bolha de vapor.

15

Figura 2.3 Curva de IPR para o modelo de Vogel


Fonte: Nascimento, 2005

2.2.2

Mtodos de estimativa de reservas


Para as empresas de petrleo fundamental fazer uma previso da reserva e

do fator de recuperao do campo de produo em interesse a fim de avaliar sua


viabilidade econmica. Atualmente, existe mais de um mtodo para estimar o volume
de leo recupervel. As empresas comumente utilizam seus prprios critrios para
estimativa de suas reservas, mas esto cada vez mais estabelecendo normas para obter
certa padronizao nessa metodologia. Segundo Thomas, et al. (2001), muitas empresas
petrolferas esto baseando-se nos critrios do cdigo internacional da Society of
Petroleum Engineers (SPE), permitindo assim que suas reservas sejam reconhecidas em
instituies financeiras e comparadas com outras empresas e pases.
Conforme os Destaques Operacionais da Petrobras (2010a), os seguintes
mtodos so empregados para o clculo da reserva e do fator de recuperao:
A. Mtodo anlogo utilizados para campos ainda no perfurados e para a
completao de poos no incio do estgio de desenvolvimento e produo. A
metodologia desse mtodo baseia na hiptese de que reservatrios anlogos so
semelhantes ao do campo analisado, em relao aos aspectos que controlam a
recuperao do leo e as propriedades das rochas.
B. Mtodo volumtrico - usado quando os dados de subsuperfcie e da ssmica esto
bem consolidados possibilitando mapear o reservatrio, fornecendo, principalmente,
uma boa estimativa do leo e gs inicialmente in place.
16

C. Mtodo do declnio de produo - prev o volume de leo que pode ser recuperado,
analisando a queda de vazo at um valor limite que no mais vivel
economicamente continuar a produo, ou seja, os custos de operao tornam-se
maiores do que a receita obtida com a produo desse leo, situao esta conhecida
como condio de abandono.
D. Balano de Materiais considera o reservatrio como um tanque com
propriedades permoporosas mdias, resolvendo o sistema com a equao de balano
de matrias a qual permite calcular o volume interno de leo e gs alm de
determinar o mecanismo de produo.
E. Mtodos de desempenho mais utilizado para campos maduros, ou seja, aqueles
que j esto produzindo por um tempo suficiente para que possa verificar um
comportamento nos dados de presso e vazo. Assim, a anlise histrica desses
dados permite inferir o volume de leo e gs in place alm da produo futura.
F. Simulao Numrica Computacional trata-se de um modelo de fluxo que divide a
rocha em milhares de clulas (subdivises na escala de alguns metros) que
aperfeioa a simulao. Permite prever o volume de leo e gs in place e a produo
futura, podendo envolver para esse clculo todos os outros mtodos acima
mencionados.

2.3

2.3.1

Elevao de petrleo

Introduo
A elevao de hidrocarbonetos o ramo da engenharia de petrleo responsvel

por extrair o leo do reservatrio localizado no fundo do mar, e fazer com que chegue
at a plataforma de produo onde finalmente passar pelo processamento primrio para
a separao do leo, gua e gs.
Como foi comentado no item 1.2, para que o petrleo chegue at a plataforma de
produo necessrio que o reservatrio tenha presso suficiente para deslocar o leo
do fundo do poo at a plataforma. Caso esse poo no seja surgente, no tendo,
portanto, energia suficiente para deslocar o fluido at a superfcie, tcnicas artificiais de
elevao sero necessrias para suplementar essa energia. (THOMAS, et al., 2001)

17

Ressalta-se que mesmo os poos que so surgentes, aps um determinado tempo


de produo, comeam a apresentar um declnio considervel na presso, resultando na
queda de energia do reservatrio. Com isso, a presso no poo diminui e chega a um
limite, impossibilitando o deslocamento do petrleo at a superfcie apenas com energia
natural, ou ainda, devido baixa presso, esse poo deixa de ser economicamente
vivel. Portanto, a partir desse instante, as tcnicas artificiais de elevao comeam a ser
utilizadas nesse poo visando a aumentar sua produtividade. A grande questo saber
qual o melhor mtodo a ser instalado em um determinado poo, para ter este
conhecimento prvio uma anlise complexa envolvendo uma srie de parmetros deve
ser realizada.
Segundo Thomas et al. (2001),
a seleo do melhor mtodo depende de uma quantidade
variada de fatores. Os principais a serem considerados so:
nmero de poos, dimetro do revestimento e da coluna de
produo, Razo Gs leo (RGO)10, vazo, profundidade do
reservatrio, viscosidade dos fluidos, mecanismo de produo,
disponibilidade de energia, acesso aos poos, distncia dos
poos s unidades de produo, equipamentos disponveis,
pessoal treinado, investimento, custo operacional, segurana
entre outros.

2.3.2

Elevao natural
Para haver elevao natural dos fluidos, a presso disponvel no fundo do poo

tem que ser maior do que presso hidrosttica da coluna de fluido somada das perdas
de cargas no escoamento desse fluido. Essas perdas so divididas em distribudas e
localizadas, as primeiras esto relacionadas ao atrito entre o fluido e coluna de
produo, e entre fluido e linhas de produo. As perdas localizadas so atribudas a
quaisquer obstrues nas linhas de escoamento, como vlvulas, redues de dimetro,
curvas, etc. Alm disso, a acelerao submetida ao fluido no processo de elevao
tambm gera uma queda da presso resultante na superfcie. Com isso, o resultado da

10

RGO relao entre a vazo de gs e a vazo de leo, ambos medidos na condio de superfcie.

18

presso requerida no reservatrio para que o poo seja surgente est descrito na equao
2-4; e o detalhamento da presso hidrosttica e das perdas de carga esto referidos nas
equaes 2-5, 2-6, e 2-7. (HENKE, 2002)

Pwf > Phidro + Patrito , D + Patrito , L + Pac

2-4

Phidro = gh

2-5

Patrito , D

f a V 2 L
=
2d

Pac = VV

2-6
2-7

Onde:
Phidro = presso hidrosttica referente coluna de fluido;
Patrito,D = perda de carga referente ao atrito provocado entre o fluido e a coluna de
produo;
Patrito,

= perdas localizadas referentes s obstrues na linha de produo, como

vlvulas, restries entre outros;


Pac = perda de carga devido ao aumento de velocidade do fluido durante o escoamento;
a = fator de atrito, determinado pelo tipo do material da coluna e linha de produo;
= massa especfica do fluido;
L = distncia percorrida pelo fluido do fundo poo at a superfcie;
h = altura vertical da coluna de fluido
V = velocidade do fluido;
d = dimetro da linha em que o fluido escoa.
A equao 2-4 pode ser dividida em duas partes, o lado esquerdo antes do sinal
maior que > e o lado direito aps este sinal. O lado esquerdo constitudo da parcela
Pwf conhecido como a presso disponvel entregue pelo reservatrio ao poo em
uma determinada vazo. O lado direito contendo as parcelas de presso hidrosttica e as
perdas de cargas chamado de presso requerida pelo poo para conseguir fluir.
Para compreender como varia a presso requerida e a disponvel, o que ser
fundamental para explicar o modelo matemtico elaborado neste trabalho, um pequeno
19

exerccio ser apresentado a seguir variando a vazo de produo. O exerccio prope


aumentar a vazo de fluido no escoamento, que aumenta por sua vez a velocidade, pois
vazo e velocidade so parmetros diretamente relacionados, conforme pode ser
verificado na equao 2-8. Portanto, pode-se notar nas equaes 2-6 e 2-7 que o
aumento de velocidade gera um acrscimo na presso de atrito e de acelerao, ou
melhor, gera uma maior perda de carga no escoamento. Com isso, quanto maior for essa
perda maior ser a presso requerida para elevar o fluido. Pelo lado do reservatrio,
analisando a equao 2-2, conclui-se que para aumentar a vazo de escoamento deve-se
reduzir a Pwf de modo a diminuir a contrapresso neste reservatrio. Assim, enquanto a
Preq aumenta com a vazo, a Pwf diminui, permanecendo em uma condio instvel, em
que a vazo varia naturalmente at que essas duas presses se igualem, chegando a um
ponto de equilbrio.

V = q. A

2-8

Para o melhor entendimento, na Figura 2.4 , so traadas as curvas de presso


disponvel pelo reservatrio (IPR) e presso requerida (Tubbing Pressure Requeriment
TPR), ambas variando com a vazo dos fluidos produzidos.

20

Figura 2.4 Curvas de IPR e TPR


Fonte: Elaborao prpria a partir de HENKE, 2002

O ponto de equilbrio exige que, para uma determinada vazo, a presso na qual
o poo necessita para fazer fluir seja a mesma que o reservatrio entrega ao fluido;
considerando nesta anlise que o sistema esteja operando em regime permanente, ou
seja, condio na qual as presses no variam ao longo do tempo.
Admitindo-se inicialmente que o poo esteja produzindo na vazo indicada pelo
ponto A (250 m3/d), verifica-se que a IPR mostra um valor mais alto de presso do que
a TPR, ou seja, o poo requer apenas 210 bar de presso para fazer fluir nesta vazo,
mas o reservatrio entrega esta vazo com uma presso de 240 bar. natural, portanto,
que a vazo de produo do poo aumente, reduzindo a presso disponvel e
aumentando a presso requerida sucessivamente at atingir o equilbrio situado no ponto
em que a IPR intercepta a TPR (este ponto representa uma vazo aproximada de 640
m3/d). Ao refazer a mesma anlise para o ponto B (1.000 m3/d) percebe-se que a presso
requerida (aproximadamente 247 bar) maior do que a presso disponvel (210 bar).
Logo, para esta situao o reservatrio no consegue elevar o leo com 1000 m3/d de
vazo, que ser reduzida naturalmente at atingir o ponto de equilbrio.
21

2.3.3

Elevao artificial
Conforme foi descrito no item 2.3.1, as tcnicas artificiais de elevao so

utilizadas para permitir a produo de poos que no surgentes, assim como, possibilitar
o aumento na vazo de leo daqueles poos que no atingiram a condio tima
operacional.
A fim de facilitar o entendimento de como algumas dessas tcnicas auxiliam o
escoamento dos fluidos, os mtodos do BM, BCP e BCS sero descritos
resumidamente. No item 2.4, ser apresentado o detalhamento da elevao artificial
utilizando o mtodo do GL, que ser foco de estudo deste trabalho.

2.3.3.1 Bombeio por Cavidades Progressivas (BCP)


Esse mtodo utiliza uma bomba de cavidades progressivas que gera a diferena
de presso necessria a partir do bombeamento volumtrico do fluido. As cavidades so
espaos vazios criados, progressivamente, ao girar o rotor11 no interior do estator12 no
sentido da suco para a descarga, originado o deslocamento positivo. Este modelo de
elevao, representado na Figura 2.5, constitudo normalmente de:
9 Motor eltrico (para gerao de energia);
9 Sistema de potncia (para transmitir o movimento do motor para as hastes
atravs de polias e cabeotes);
9 Conjunto de hastes (permitindo transmitir a energia at o fundo do poo onde
est localizada a bomba);
9 Bomba formada por rotor e estator (gera a diferena de presso necessria para
elevar os fluidos).
Existem casos em que o motor pode estar diretamente localizado no fundo do
poo, dispensando a coluna de hastes para transmitir a energia.

11

Rotor pea usinada de ao na forma de espiral macho


Estator - camisa formada por um elastmero moldado na forma de espiral fmea, normalmente com
uma espira a mais que o rotor.

12

22

Figura 2.5 Bomba de Cavidades Progressivas


Fonte: Nascimento, 2005

2.3.3.2 Bombeio Centrfugo Submerso (BCS)


Diferente do BCP, a BCS envia energia ao fundo do poo para iniciar o
bombeamento atravs de um cabo eltrico. No fundo, a energia eltrica transformada
em mecnica por um motor de subsuperfcie que est diretamente conectado a bomba,
que por sua vez fornece energia para o fluido na forma de presso. Esse processo
responsvel por fornecer ganho de presso ao fluido acontece no interior da bomba em
um sistema formado por mltiplos estgios. Cada estgio constitudo por um conjunto
de impelidor e difusor. O primeiro aumenta a velocidade do fluido, gerando energia
cintica; e o segundo reduz sua velocidade, transformando energia cintica em presso.
Os principais equipamentos utilizados em um poo equipado com BCS (Figura 2.6) so:
Equipamentos de subsuperfcie
9 Bomba (formado por estgios de impelidores e difusores);
9 Admisso da bomba (permite a entrada do fluido na bomba);
9 Motor eltrico (transforma energia eltrica em mecnica);
23

9 Protetor (previne a entrada de fluido no motor)


9 Cabo Eltrico (leva a energia para o fundo do poo);
Equipamentos de superfcie
9 Quadro de Comandos (controla e opera equipamentos de fundo);
9 Transformador (transforma tenso da rede eltrica em tenso nominal do motor);
9 Cabea de Produo (possui passagem para coluna de produo e cabo eltrico);

Figura 2.6 Conjunto Bomba Centrfuga Submersa


Fonte: Oil and Gas Processing, 2009

2.3.3.3 Bombeio Mecnico (BM)


A tcnica de elevao por bombeio mecnico (Figura 2.7) est relacionada a um
sistema que transfere energia ao fluido atravs do deslocamento positivo, ou seja, um
movimento oscilatrio na direo vertical que empurra os fluidos para cima. O motor
localizado na superfcie gira uma caixa de engrenagens, que por sua vez movimenta
uma coluna de hastes de cima para baixo sucessivamente. Esse movimento oscilatrio
transferido para a bomba de fundo, equipamento que permite que a energia gerada pelo
motor de superfcie seja fornecida ao fluido. Para compreender com mais detalhes como
24

este mtodo auxilia o deslocamento dos fluidos, no anexo I ser apresentada uma
descrio do ciclo realizado pela bomba de fundo.

Figura 2.7 Conjunto do sistema BM


Fonte: Nascimento, 2005

2.4

Gs Lift
Segundo Thomas et al. (2001), o GL um mtodo muito verstil em termos de

vazo (1 a 1.700 m3/d), de profundidade (at 2.600 metros, dependendo da presso


disponvel para injeo), e favorvel para fluidos com alto teor de areia, elevada
Razo Gs Lquido (RGL13). Este mtodo propicia, ainda, baixos investimentos em
poos profundos quando comparado a outros sistemas de elevao artificial.
13

RGL mede razo entre gs e lquido, ambos medidos na condio de superfcie.

25

O sistema de elevao por GL consiste na gaseificao da coluna de produo


utilizando gs natural com a finalidade de diminuir a densidade mdia do fluido que est
sendo produzido do reservatrio. Com isso, a presso necessria para o deslocamento
fluido se reduz por causa do menor gradiente hidrosttico obtido da mistura de leo com
gs injetado. A equao 2-5 permite compreender matematicamente esta reduo, que
ao reduzir a densidade do fluido produzido uma queda na presso hidrosttica ser
percebida, afetando diretamente a presso necessria em fluxo (equao 2-4).
O processo de injeo de GN funciona a partir de um compressor instalado na
plataforma de produo que aplica uma presso suficiente para permitir empurrar o GN
para dentro da coluna de produo atravs da vlvula de gs lift, equipamento que
possibilita a passagem e o controle de vazo do gs. Esse sistema de elevao est
ilustrado na Figura 2.8.

Figura 2.8 Poo operado por gs lift


Fonte: Conto, 2006

Conforme apresentado na Figura 2.9, o efeito do gs injetado na coluna de


produo faz com que a curva de presso necessria (TPR) decline. Assim, um novo
ponto de equilbrio com maior vazo ser estabelecido entre a presso necessria e a
presso disponvel (IPR).

26

Figura 2.9 Influncia da injeo de GL na curva TPR


Fonte: Elaborao prpria.

A anlise detalhada desse sistema (Figura 2.9) permite verificar que o ponto de
equilbrio anterior injeo de GL (ponto A) formado entre a curva de IPR e TPR-1,
fixou-se em uma nova condio (ponto B) formado entre a IPR e TPR-2. Para esse caso,
demonstra-se que, ao se injetar GN na coluna de produo, altera-se a vazo prxima a
645 m3/d, para uma vazo em torno de 870 m3/d, apresentando um acrscimo de 125
m3/d de fluido.
No prximo exemplo (Figura 2.10), o poo demonstrado no tinha presso
suficiente para produzir em condies naturais, pois a TPR-1 era maior do que a IPR em
todos os pontos da curva; tratando-se, portanto, de um poo no surgente. Aps a
injeo de GL na coluna de produo verifica-se que a demanda de presso para fluir o
poo reduziu, declinando a curva para TPR-2. Neste exemplo, uma faixa da TPR-2
ficou abaixo da IPR possibilitando a produo do referido poo, que fluiu com uma
vazo aproximada de 232 m/d em condies de equilbrio.

27

Figura 2.10 Injeo de GL em um poo no surgente


Fonte: Elaborao prpria

2.5

Alocao de Gs Lift
A otimizao na injeo de GL para um campo de petrleo visando aumentar

produo um assunto que j vem sendo estudado h algum tempo. Mayhill (1974)
analisou a relao entre a injeo de gs e a produo de leo, nomeando esta relao
como Curva de Perfomance do Poo (CPP14). O autor evidenciou tambm o ponto
mais eficiente da injeo como a taxa na qual um incremento nas despesas com injeo
do GN igual a um incremento percentual nos rendimentos produzidos. A Figura 2.11
ilustra o que foi descrito acima, detalhando os pontos de mxima produo e a regio
econmica de injeo.

14

CPP apresenta a relao entre a produo lquida e a injeo de gs lift em um poo de petrleo.
Quanto maior o ganho na produo atravs de um delta de aumenta no GL, maior ser a taxa de retorno
da CPP, ou seja, maior a inclinao da curva para uma determinada vazo de injeo de gs.

28

Figura 2.11 Curva de Perfomance de Produo


Fonte: Conto, 2006

Redden et al. (1974) abordaram o tema pela tica econmica, buscando uma
soluo para injeo tima de GL atravs de um mtodo iterativo. Este mtodo
ranqueava os poos segundo a taxa de retorno da CPP de cada poo e em seguida
realizava uma alocao do gs priorizando a injeo naqueles poos que tinham uma
CPP com maior inclinao. O mtodo tambm considerava a limitao de gs
comprimido, disponvel para GL, que os compressores instalados na plataforma de
produo tinham capacidade de pressurizar. Para o encaminhamento do problema foram
considerados o custo de compresso, a capacidade limitada de gs e a possibilidade de
compressores estarem inoperantes. Apesar de ser um procedimento iterativo de
qualidade, este poderia produzir solues subtimas, ou seja, solues timas locais,
mas no necessariamente globais.
Kanu et al. (1981) trataram o problema de alocao de GL conforme critrios
econmicos em um mtodo chamado equal slope, com a finalidade de otimizar a
produo na tica econmica. A metodologia se baseou na construo de grficos, a
partir dos dados de testes de produo dos poos, que permitiram solucionar tanto a
questo relativa alocao de gs, quanto produo otimizada do campo estudado.
Este mtodo tinha tambm a opo de considerar a restrio em relao
disponibilidade de gs comprimido para GL. Assim, por meio de um dos grficos
desenvolvidos pelo autor, considerando a limitao do gs de injeo, encontrava-se a
inclinao ideal da CPP que por sua vez permitia identificar a vazo de leo e GL
devidamente distribudas. O mtodo, porm, possui algumas limitaes, como

29

incapacidade de tratar poos que no respondem instantaneamente a injeo de gs e a


dificuldade de incorporar restries adicionais.
Nishikiori et al. (1989) apresentaram uma tcnica no linear para resolver o
problema da otimizao da taxa de gs lift. O trabalho se concentrou em descrever o
mtodo de otimizao quasi-Newton atravs do resultado de experimentos numricos
em comparao com o mtodo de alocao da equal slope. A modelagem matemtica
apresentada mostrou ser melhor do que a tcnica da equal slope e tinha a possibilidade
de adicionar novas restries.
Fang e Lo (1996) desenvolveram um mtodo que transformou o problema nolinear de alocao de GL em um modelo linear de otimizao. Props, dessa forma, a
linearizao por partes da CPP, o que veio a trazer uma sria de vantagens e abriu
possibilidades para soluo. Foi possvel utilizar algoritmos poderosos de programao
linear, permitindo adicionar restries adicionais e resolver problemas bastante
complexos, favorecido pela agilidade para convergncia do resultado final quando
comparado com ao tempo de resoluo dos mtodos no lineares existentes da poca.
Camponogara e Nakashima (2003) desenvolveram algoritmos de programao
dinmica para tratar a otimizao de GL. Os seus mtodos consideravam as incertezas
das CPPs, permitindo analisar mltiplas curvas para um mesmo poo. Alm disso,
foram os primeiros a tratar as descontinuidades nas CPPs. No entanto, a principal
limitao da programao dinmica a dificuldade em se adicionar novas restries.
Sherali (2001) props uma formulao simples para a linearizao por partes da
CPP atravs da decomposio desta curva a partir de aproximaes lineares convexas.
Esta formulao foi mais geral do que as anteriormente desenvolvidas, pois permitia
linearizar tambm funes descontnuas.
Conto (2006) comparou a formulao elaborada por Sherali (2001) com a
formulao clssica de linearizao por partes para alocao do gs de injeo. Nesse
estudo, testes numricos foram realizados com auxlio de ferramentas computacionais
para avaliar o desempenho de tais formulaes, podendo assim compar-las. Os
resultados mostraram que o modelo de linearizao de Sherali (2001) apresentou
solues melhores do que as formulaes clssicas.
30

METODOLOGIA

3.1

Descrio do problema para alocao do GL


O problema de alocao de GL consiste em decidir qual a parcela de gs que

ser injetada em cada poo a fim de maximizar a produo de leo do campo em


anlise, respeitando as restries existentes no sistema. Neste trabalho, as restries
consideradas foram: a disponibilidade mxima de GL, a vazo mnima capaz de
permitir injeo em condies controlveis na plataforma e a vazo mxima que a
vlvula de GL pode operar sem se danificar. O problema descrito acima pode ser
representado pelo modelo de programao no linear a seguir (equao 3-1):

max Qo = q on ( q gin )
n =1

s.a.

3-1

q
n 1

n
gi

max
gi

l n q gin n
Onde:
Qo= vazo total de leo do campo de petrleo;
N = nmero de poos do campo;

q on = funo no linear que representa a curva de performance da vazo de leo do poo


n;
q gin = vazo de gs injetado no poo n;
q gimax = Quantidade mxima de gs natural em alta presso fornecida pelos compressores

que est disponvel para injeo nos poos;

l n = limite mnimo de injeo de gs no poo n;

n = limite mximo de vazo de gs permitido pela vlvula de GL do poo n.

31

3.2

Elaborao da Curva de Performance do Poo (CPP)

Antes de descrever a metodologia para solucionar o problema de programao


no-linear da equao 3-1, uma descrio terica sobre a CPP ser apresentada, visando
explicar melhor a relao da produo de leo versus a vazo do gs injetado. Nessa
proposta, uma correlao matemtica entre esses dois parmetros ser apresentada
possibilitando modelar tal relao, que ser fundamental para resoluo desse problema.
A curvatura da CPP depende de vrios parmetros intrnsecos ao poo em
questo, como por exemplo, o IP, as caractersticas do leo, o comprimento da linha de
escoamento, a presso esttica, a frao de gua, a presso de separao, entre outros.
Neste sentindo, a Figura 3.1 exemplifica a CPP de quatro poos de produo com
diferentes traados, permitindo inferir algumas consideraes.

Figura 3.1 Curva de Performance de quatros poos diferentes


Fonte: Conto, 2006

Pela curva A, verifica-se que o poo representado surgente (visto que, para
qgi= 0, qo= Z), e o aumento na injeo de gs possibilita aumentar a produo. A curva
B demonstra um poo que est na eminncia de entrar em produo, qualquer valor
na taxa de injeo colocar o mesmo em produo. Na curva representada pelo poo
C, h a necessidade de uma taxa de injeo mnima a partir da qual o poo comece a
fluir para a superfcie. Por fim, a curva D mostra uma situao semelhante C,
32

porm a partir de uma determinada vazo de GL o poo d um salto na produo e


comea a produzir em um valor maior do que zero.

3.3

Pontos de interesse na CPP

A anlise da CPP mostra que a produo de leo aumenta rapidamente no inicio


da curva, com um pequeno acrscimo na vazo de GL. Por outro lado, no final da curva
a vazo de leo aumenta pouco em relao quantidade de gs injetado na coluna de
produo. A partir de certo momento, a produo de leo comea a diminuir
sucessivamente com aumento na injeo de GL, levando a concluir que existem dois
pontos importantes para serem analisados, como pode ser observado na Figura 3.2
(pontos A e B).

Figura 3.2 Pontos de mxima produo e de receita mxima na CPP


Fonte: Lopes et al., 2006

3.3.1

Mxima Produo na CPP

O ponto A, localizado na Figura 3.2, est relacionado ao ponto mximo de


produo do poo, aquele em que um aumento na vazo de GL, na quantidade que seja,
no mais aumenta a produo de petrleo, e comea a produzir um efeito contrrio
reduzindo a vazo de leo. Apesar de a injeo de GL reduzir a densidade mdia dos
fluidos produzidos, aps uma determinada vazo desse gs as parcelas referentes
perda de carga por atrito e acelerao, representadas respectivamente pelas equaes
2-6 e 2-7, passam a predominar sobre o ganho hidrosttico. Este ponto limite ou ponto
33

mximo de produo alcanado quando a derivada da funo que descreve a CPP


(equao 3-2) for igual a zero.
q o
=0
q gi

3.3.2

3-2

Maior Receita na CPP (Tangente Econmica)

O conceito da tangente econmica utilizado para determinar a vazo de GL


que maximiza a receita do poo em produo. Essa vazo de GL determinada ao
encontrar o ponto na CPP cuja derivada corresponde ao valor da tangente econmica.
Conceitualmente, o valor timo econmico de produo alcanado no
momento em que os ganhos adicionais com a produo extra de leo no mais
compensam os gastos ocasionados por uma compresso suplementar com GL. A
expresso representando o momento em que esta situao alcanada est descrita na
equao 3-3.

q o ( P C ext ) = q gi C g

3-3

Onde:
Cg = custo de compresso do gs;
Cext = custo de extrao do leo;
P = preo do barril de petrleo.
O rearranjo dessa expresso (equao 3-3) para a forma apresentada na equao
3-4 permite determinar o valor da tangente econmica requerido para encontrar o ponto
de interesse na CPP (exemplificado pelo ponto B da Figura 3.2).
qo
Cg
=
q gi ( P C ext )

3-4

34

Compreende-se, portanto, que o ponto de maior lucratividade alcanado no


momento em que a relao entre a variao de produo de leo sobre variao de GL
for igual frao entre o custo de compresso sobre a diferena entre o preo do barril
de petrleo e seu custo de extrao.

3.3.3

Mxima Produo na CPP versus Maior Receita na CPP

Existe, portanto duas possibilidades de soluo para o programa de otimizao


de GL, uma focada na maximizao da produo de leo e outra no lucro mximo. A
escolha pela proposta de maximizar o lucro parece a princpio bvia, porm essa
escolha pode no ser to simples de ser implementada, pois exige que se estime o valor
do custo de compresso do gs (Cg), o que no uma tarefa simples. O clculo do Cg
depende de outras variveis muitas vezes difceis de serem mensuradas, como a
potncia demandada, eficincia dos compressores e manuteno dos equipamentos.
Felizmente, como pode ser visto no exerccio elaborado no anexo II, a diferena
da derivada entre essas duas possibilidades de clculo difere pouco devido ao alto preo
atual do barril de petrleo15. Mesmo assim, caso o responsvel por realizar a otimizao
da injeo de gs natural deseje realmente maximizar, de fato, o lucro, existe a
possibilidade de inserir a equao 3-4 como nova restrio do modelo citado na equao
3-1, lembrando da necessidade de se estimar o custo de compresso do gs.

15

Para a cotao do barril petrleo brasileiro foi tomado como base o leo do tipo WTI.

35

3.4

O modelo de Alarcn

Para definir a CPP do poo geralmente utilizada uma equao polinomial de


segundo grau. Entretanto, nesse trabalho ser utilizada a proposta apresentada por
Alarcn et al. (2002), que consiste de uma equao polinomial de segundo grau
acrescido de um termo logartmico, conforme mostra a equao 3-5. Para definir a
melhor funo que representasse a CPP do poo, Alarcn et al. (2002) combinaram
linearmente vrias funes buscando encontrar aquela combinao que fornecesse o
menor erro entre os dados simulados e aqueles obtidos do teste de produo.
Qo = c1 + c 2 q gi + c3 q gi2 + c 4 ln(q gi + 1)

3-5

Os coeficientes c1, c2, c3, e c4 so determinados pelo mtodo dos mnimos

quadrados utilizando os dados de produo obtidos do poo avaliado.


Alarcn et al. (2002) fizeram uma anlise comparativa entre a curva matemtica
proposta para a CPP e a equao polinomial de segundo grau tradicionalmente aplicada.
A Figura 3.3 e a Figura 3.4 evidenciam esta anlise tomando como base os dados reais
de produo do poo.

36

Figura 3.3 Modelo de Alarcn traado a partir dos dados de injeo de Niskikiori
Fonte: Alarcn et al., 2002

Figura 3.4 Curva de segundo grau traado a partir dos dados de injeo de Niskikiori
Fonte: Alarcn et al., 2002

37

A qualidade do ajuste da curva apresentada por Alarcn et al. (2002) mostrou


ser melhor do que a equao de segundo grau, geralmente utilizada como padro para
expressar matematicamente a CPP. Na Figura 3.3, a maioria dos pontos (Qgi; Qo) de
cada poo se acomodaram perfeitamente sobre a curva, mas na Figura 3.4, os pontos
no seguem exatamente o comportamento da curva, se posicionando um pouco fora do
traado.
Outra maneira de avaliar a qualidade do ajuste de cada curva seria atravs do
coeficiente de determinao (r) que avalia a proporo de variao total dos dados em
torno da mdia (equao 3-6). O numerador representa a soma dos quadrados dos
desvios de cada ponto da curva ajuste em relao ao ponto mdio ymed (equao 3-7) dos
dados fornecidos. O denominador representa a soma dos quadrados dos desvios de cada
dado fornecido ao ponto mdio ymed.
n

r2 =

(c
i =1

+ c 2 q gi + c3 q gi2 + c 4 ln(q gi + 1) y med ) 2


3-6

(y
i =1

y med =

y med )

1 n
( y i )
n i =1

3-7

Onde:
n = nmero de pontos fornecidos por poo;
yi = dados observados da vazo de leo obtido do teste de produo do poo;
ymed = valor mdio dos dados vazo de leo obtido do teste de produo do poo.

3.5

Anlise dos Resduos

Para dar uma credibilidade maior ao modelo de Alarcn et al. (2002) ser feita a
anlise dos resduos, que so gerados da diferena entre os dados observados de
produo e os valores ajustados por este modelo. Caso o modelo seja adequado, esperase que os resduos no apresentem algum comportamento bem definido, podendo ser
classificados como resduos aleatrios. Ao contrrio, se existir alguma estrutura de

38

dependncia nos resduos e este puder ser modelado, no poder ser classificado como
resduo aleatrio e, consequentemente, o modelo dever ser reespecificado.
Assim, os resduos devem seguir os seguintes pressupostos para que sejam
classificados como resduos aleatrios (WONNACOTT, 1977):
Seguir uma distribuio normal;
Ter mdia zero;
Ter varincia ( 2 ) constante;
Ser independentes.

3.5.1

Pressuposto da Distribuio Normal

Para avaliar se os resduos seguem uma distribuio normal ser utilizado o


grfico Normal Q-Q Plot que representa os quantis de probabilidade esperados versus
os resduos padronizados (WONNACOTT, 1977).
Para comear a elaborar esse grfico comea-se por padronizar os resduos de
forma que obtenham desvio padro unitrio (equao 3-8). A seguir, os resduos so
ordenados de forma crescente.

'

di =

di 0
SSE
onde S 2 =
= i =1
S
n k 1 n k 1
i

3-8

Onde:
di = diferena entre o valor observado e o valor estimado
n = nmero de pontos fornecidos
k = grau de liberdade
S = desvio padro

39

No grfico Q-Q Plot, os quantis de probabilidades esperadas, ou seja, os zi


(equao 3-9) esto representados no eixo das ordenadas, e os resduos padronizados
so alocados no eixo das abscissas.

P( Z < z i ) =

i 0.5
10

3-9

Onde:
P(Z<zi) = funo de distribuio de probabilidade
i = isimo termo
Aps construir o grfico, se os pontos se posicionarem mais ou menos sobre
uma reta, os resduos podero ser considerados como uma distribuio normal.

3.5.2

Pressupostos da Mdia Nula, Varincia Constante e Independncia

As confirmaes dos pressupostos de mdia nula, varincia constante e


independncia podem ser verificadas graficamente, inserindo os resduos encontrados
em torno da reta correspondente ao resduo zero (WONNACOTT, 1977). Caso estes se
distribuam aleatoriamente, formando uma mancha de largura uniforme, esses trs
pressupostos podero ser confirmados.

3.6

Mtodo do Gradiente Reduzido Generalizado (GRG)

Na teoria, existem mtodos analticos capazes de solucionar alguns problemas


de otimizao, porm muitas vezes a resoluo to complexa que dificulta muito uma
soluo analtica. Outros problemas, no entanto, so impossveis de serem resolvidos
analiticamente. Para facilitar ou possibilitar a resoluo dos problemas otimizao
utilizam-se, ento, os mtodos numricos de busca, como por exemplo, os mtodos
heursticos, a programao quadrtica sequencial (Sequential Quadratic Programming SQP), o algoritmo do gradiente reduzido, entre outros.
Neste trabalho, o mtodo utilizado para solucionar a questo envolvendo a
otimizao de GL para uma plataforma ser o Gradiente Reduzido Generalizado (GRG),
40

disponvel no aplicativo solver do Excel da Microsoft. Com intuito de comprovar a


eficcia do GRG para o tipo de problema encontrado neste trabalho ser elaborado um
comparativo, no captulo 4, entre os resultados obtidos por este algoritmo com aqueles
encontrados atravs do algoritmo gentico16.
Antes de descrever o algoritmo do GRG, ser descrito como determinar
analiticamente o ponto timo de uma funo y (x1; x2; ...; xn) sujeito a m equaes de
restrio fi (x1; x2; ...; xn) = 0.
Existem trs mtodos para a determinao analtica dos pontos de mximo ou
mnimo, eles so: a substituio direta, a Variao Restrita (Constrained Variation) e o
mtodo dos multiplicadores de Lagrange. Nesse trabalho, ser apresentada brevemente
a tcnica da variao restrita que ser a base para formular o algoritmo GRG.

3.6.1

Variao Restrita

Essa tcnica tem sido pouco utilizada para uma resoluo analtica de problemas
multivariveis, mas fornece uma base terica importante para os mtodos numricos de
busca, como caso do algoritmo GRG (SMITH et al., 1970).
A idia bsica deste mtodo encontrar uma expresso diferencial aproximada
de primeira ordem da funo objetivo que atenda para todos os pontos as restries do
problema (RAO, 2009). Para a demonstrao desta tcnica um caso simples contendo
duas variveis independentes ser demonstrado. Nesse exemplo (Figura 3.5), existe um
mnimo local, no ponto A, um mximo local no ponto B e ainda um valor mximo
desconsiderando quaisquer restries do sistema, no ponto C.

16

O algoritmo gentico est disponvel no aplicativo solver do Excel da verso 2010.

41

Figura 3.5 Esboo de uma funo objetiva y(x1, x2) e uma restrio f(x1, x2)=0
Fonte: Minerals Processing Research Institute, 2010

Se o objetivo fosse encontrar um ponto de mnimo esse problema (equao 3-10)


se resumiria a:
Minimizar: y(x1, x2)
Sujeito a: f(x1, x2) = 0

3-10

Primeiramente, para encontrar um ponto de mnimo a derivada total da funo


objetiva deve ser igual a zero.

dy =

y
y
dx1 +
dx 2 = 0
x1
x 2

3-11

Alm disso, para que o ponto de mnimo encontrado seja vlido necessrio
atender a restrio existente, f( x1* ; x2* )=0. Nesse ponto, quaisquer variaes
infinitesimais das variveis x1 e x2 que continuam atendendo a restrio do problema,

42

ou seja, que acompanham a curva da restrio, so chamadas de variaes admissveis


(equao 3-12).
f ( x1* + dx1 ; x 2* + dx 2 ) = 0

3-12

A equao 3-12 pode ser aproximada pela expanso nos primeiros termos da
sria de Taylor.

f ( x1* ; x 2* ) f ( x1* ; x 2* )
f ( x1* + dx1 ; x 2* + dx 2 ) f ( x1* ; x 2* ) +
+
=0
x
x

1
2

3-13

Neste caso, considerando que f( x1* ; x2* )=0 a equao 3-13 pode ser reduzida a:
f

f
df =
dx1 +
dx 2 = 0
x 2
x1

para ( x1* ; x2* )

3-14

A expresso obtida acima (equao 3-14) precisa ser satisfeita para todas
variaes admissveis. A Figura 3.6 ilustra a curva PQ formada pelo conjunto de pontos
que satisfazem a restrio do problema (equao 3-10) . Se o ponto A for considerado
como o ponto timo ( x1* ; x2* ), variaes infinitesimais em x1 e x2 que levam ao ponto B e
C so chamadas de variaes admissveis. Por outro lado, variaes em x1 e x2 que
levam ao ponto D no so admitidas, pois este ponto no se situa na curva PQ.

Figura 3.6 Curva PQ formada pelos pontos que satisfazem a restrio do problema
Fonte: RAO, 2009

43

Com o rearranjo da equao 3-14, encontra-se uma relao entre dx1 e dx2.
f x1 * *

dx 2 =
( x1 ; x 2 )dx1 = 0
f x 2

3-15

Ao invs de ter que decidir quais as alteraes em x1 e x2 permanecem dentro do


conjunto de variaes admissveis, a relao obtida pela equao 3-15 indica que uma
modificao aleatria infinitesimal em x1 decide automaticamente a variao
ocasionada na varivel x2. Substituindo a equao 3-15 na equao 3-11, obtm-se:
y f x1 y
dx1 = 0
dy =

x1 f x 2 x 2

para ( x1* ; x2* )

3-16

O lado esquerdo da equao 3-16 chamado de Variao Restrita (Constrained


Variation) da funo objetivo. Uma vez que dx1 pode ser escolhido arbitrariamente, a
equao 3-16 pode ser resumida a:
y f
y f
= 0

x
x
x

2
1
1 2

3-17

A equao 3-17 encontrada acima representa a condio necessria a fim de


obter os pontos de extremo (mximo ou mnimo).
O sistema formado pela equao 3-17 com a restrio do problema (equao
3-10) permite localizar um desses pontos de extremo. Ressalta-se que as derivadas
parciais da funo objetiva, y x1 e y x 2 , no so necessariamente iguais a zero,
exceto no ponto irrestrito C.
Esta tcnica est ilustrada no exemplo a seguir (equao 3-18).
Otimizar: y ( x) = x1 x 2
Sujeito a: f ( x) = x12 + x 22 1 = 0

3-18

44

As derivadas parciais deste problema so:


y
y
f
f
= x2 ;
= x1 ;
= 2x1 ;
= 2x 2
x1
x 2
x1
x 2
Substituindo estas derivadas parciais na equao 3-17, chega-se na equao 3-19:
x 22 x12 = 0

3-19

Resolvendo o sistema formado pela equao 3-19 com restrio do problema 3-18, os
pontos de mximo ou mnimo da funo objetivo (equao 3-18) encontrados so:
x1 = + ()

3.6.2

x2 = + ()

O algoritmo do Gradiente Reduzido Generalizado

O Mtodo GRG como o prprio nome diz uma generalizao feita por Abadie
e Carpentier (1969) do Mtodo do Gradiente Reduzido desenvolvido por Wolfe (1963).
Essa generalizao permitiu que o mtodo fosse aplicado a restries lineares e nolineares.
Segundo Fritsche (1978), a idia presente nessa metodologia uma extenso
no-linear do mtodo simplex utilizado para problemas lineares. O fundamento do
algoritmo GRG baseia-se em converter um problema restrito em outro irrestrito, criando
um vetor de busca, para facilitar o encontro do ponto timo do problema em interesse.
Este algoritmo trata-se de um mtodo numrico que procura localizar um ponto de
mximo ou de mnimo, a partir de um valor inicial aleatrio que esteja dentro do limite
aceito pelas restries do problema.
Baseado no desenvolvimento descrito no site Minerals Processing Research
Institute (MPRI), ser apresentado o conceito do algoritmo GRG, apoiado na teoria do
mtodo da Restrio Variacional. Para demonstrao desse conceito, primeiramente,
ser descrito a resoluo numrica para o problema contendo duas variveis e uma
restrio (equao 3-10), depois um caso geral ser descrito.
45

Expandindo as equaes acima nos termos lineares da srie de Taylor, utilizando


para isso um ponto xk (x1k, x2k) qualquer que atenda a restrio existente, encontra-se:

y ( x) = y ( x k ) +
0 = f ( xk ) +

y ( x k )
y ( x k )
( x1 x1k ) +
( x2 x2k )
x1
x 2

f ( x k )
f ( x k )
( x1 x1k ) +
( x2 x2k )
x1
x 2

3-20
3-21

Substituindo a equao 3-21 na equao 3-20 a fim de eliminar x2, chega-se em


uma funo dependente apenas de x1.
1

y ( x k ) f ( x k )

f ( x k ) +
y ( x) = y ( x k )
x 2 x 2
1

f ( x k ) y ( x k ) f ( x k ) y ( x k ) f ( x k )

( x1 x1k )
+
x 2 x1 x 2 x 2 x1

3-22

Encontra-se a partir da derivada da equao 3-22 em relao varivel x1 o


vetor de busca, que indicar a direo desta varivel. Neste vetor, observa-se que os
dois primeiros termos alm do coeficiente de (x1-x1k) so conhecidos, e evoluem a partir
de cada iterao. A busca da soluo tima ocorre at um limite em que no h mais um
melhoramento aprecivel na soluo.
3.6.3

Demonstrao do caso geral

Considere o problema no linear a seguir:


r
Otimizar y (x )
r
f i (x) = 0
para i=1,2, ..., m
r
g j ( x) 0
para j=1,2, ..., n-m

3-23

Para permitir o incio do procedimento de busca, algumas consideraes devem


ser atendidas, visando adequar o problema em questo s necessidades do algoritmo. A
primeira considerao exige que todas as restries sejam equaes de igualdade, e caso

46

alguma dessas restries forem inequaes, ser necessrio adicionar uma varivel de
folga para cada inequao existente a fim de transform-la em uma expresso de
igualdade.
As inequaes do problema 3-23 requerem a adio (n-m) variveis de folga no
negativas para atender a condio de igualdade exigida pelo algoritmo GRG. Com essa
adio existiro (n) restries de igualdade como indica a equao 3-24.
r
f i (x) = 0

para i=1,2, ..., n

3-24

A segunda condio indica a separao das variveis independentes em bsicas e


no-bsicas. Na progradmao linear as variveis bsicas xb so positivas e as nobsicas so nulas. Na programao no-linear as variveis no-bsicas so utilizadas
para calcular as variveis bsicas e para direcionar o modelo para o ponto timo
econmico, representando as variveis de folga adicionadas ao problema. As equaes
de restrio ficam, portanto, em funo das variveis bsicas e no-bsicas (equao
3-25):
r
r r
f i ( x ) = f i ( xb , x nb ) = 0

para i=1,2, ..., n

3-25

Nesse momento, as equaes de restrio (equao 3-25) so ento rearranjadas


a fim de isolar as variveis bsicas para que fiquem em funo das variveis
no-bsicas.
r
r
xb = h( xnb )

3-26

A equao 3-26 encontrada permite substituir as variveis bsicas da funo


objetivo que fica representada por variveis no-bsicas somente, as quais so
manipulados para solucionar o problema de otimizao (equao 3-27).
r
r r
r
r
y ( x ) = y ( xb , xnb ) = y[h( xnb ); xnb ]

3-27

47

O primeiro passo na elaborao do algoritmo calcular a derivada total da


funo objetivo e expandir a equao de restrio nos termos lineares da srie de
Taylor, encontrando, respectivamente, as equaes 3-28 e 3-29.

r
r
r
dy ( x ) = Tb y ( x )dxb + Tnb y ( x )dx nb
r
r
m
n
f i ( x )
f i ( x )
dxi ,b +
dxi ,nb

j =1 x j
j = m +1 x j

3-28
para i=1,2, ..., n

3-29

Colocando a equao 3-29 na forma matricial (equao 3-30).


r
f i ( x )
x
1

.
f m ( xr )

x1

. .
. .
. .
. .

r
r
f i ( x )
f i ( x )
x m dx1,b x m +1


. . .
+
. r . . r
f m ( x ) dx f m ( x )
m ,b
x m
x m +1

. .
. .
. .
. .

r
f i ( x )
x n dx m +1,nb

. .
=0
. r .

f m ( x ) dx
n ,nb
x n

3-30

A equao 3-30 define uma matriz Bb das derivadas parciais de primeira ordem
de fi associado s variveis bsicas, e uma matriz Bnb associado s variveis nobsicas. Esta simplificao permite reescrever a equao 3-30 no formato apresentado
na equao 3-31.

Bb dxb + Bnb dx nb = 0

3-31

Isolando dxb encontra-se a equao 3-32.

dxb = Bb1 Bnb dx nb

3-32

Esta forma conveniente definida na equao 3-32 pode ser utilizada para
eliminar dxb da equao 3-28, chegando se na equao 3-33.
r
r
r
dy ( x ) = Tnb y ( x )dx nb Tb y ( x ) Bb1 Bnb dx nb

3-33

48

Com a diviso da equao 3-33 por dxnb, obtm-se o gradiente reduzido


generalizado, GR, ou melhor, a direo de busca (equao 3-34).

GR =

r
r
r
dy ( x )
= Tnb y ( x ) Tb y ( x ) Bb1 Bnb
dx nb

3-34

De posse dos valores da derivada parcial da funo objetiva e das equaes de


restrio, o GRG pode agora ser calculado pela equao 3-34. Com o valor do GRG
calculado, este inserido na equao 3-35 para formar uma nova iterao.
x n +1 = x n + n G R

3-35

O comprimento do passo para busca da soluo tima, Alfa (), evolui


juntamente com a modificao no GR, sendo que as variveis xb e xnb precisam ser
conhecidas a cada etapa.
Procedimento:
1. Adicionar as variveis de folga nas restries de desigualdade;
2. Calcular o GR;
3. Colocar as variveis de deciso em funo de alfa;
4. Calcular o valor de alfa atravs da derivada da funo objetiva;
5. Calcular xn+1;
6. Com um valor mnimo para a funo objetivo obtido nesta direo, o processo
volta ao passo (2);
7. O procedimento continua at conseguir a convergncia.
Para demonstrar a funcionalidade do algoritmo GRG um problema desenvolvido no
MPRI est apresentado no anexo III.

49

4
4.1

RESULTADOS
Campo da Petrobras

O estudo de caso realizado foca na plataforma de produo localizada em um


dos campos que concesso da Petrobras. Esta plataforma produz petrleo atravs da
extrao em 10 poos perfurados que utilizam o GL como mtodo de elevao. O GL
utilizado para aumentar a vazo de leo ou para permitir produo daqueles poos que
no so surgentes. Para cada um destes poos foi elaborada a CPP utilizando a equao
3-5 contextualizada no artigo de Alarcn et al. (2002).
O equacionamento algbrico da CPP realizado com base no conjunto de pontos (vazo
de leo e injeo de GL) fornecidos no teste de produo do poo realizado na unidade
de produo. A Tabela 4.1 mostra o resultado desse equacionamento para os 10 poos
analisados, destacando o valor encontrado para cada um dos coeficientes da equao
3-5. Como foi comentado no item 3.4, esses coeficientes foram calculados a partir dos
pontos obtidos do teste de produo utilizando o mtodo dos mnimos quadrados.
Tabela 4.1 Coeficiente das CPPs segundo o modelo de Alarcn
HG-01

C1
(m/d)
- 301,53

C2
*
- 53,5 x 10-2

C3
(m/d)-1
9,3 x 10-5

C4
(m/d)
152,33

HG-02

- 27,75

- 41,6 x 10-2

25,7 x 10-5

84,02

HG-03

- 145,61

17,1 x 10-2

- 46,2 x 10-5

126,01

HG-04

199,95

- 26,5 x 10-2

- 20,4 x 10-5

169,20

HG-05

- 1125,15

- 299,9 x 10-2

180,0 x 10-5

591,84

HG-06

- 34,81

- 3,87 x 10-2

- 23,9 x 10-5

122,53

HG-07

- 333,94

- 117,6 x 10-2

28,0 x 10-5

167,09

HG-08

- 601,36

4,1 x 10-2

- 106,4 x 10-5

185,98

HG-09

354,84

- 55,0 x 10-2

- 17,0 x 10-5

165,41

HG-10

- 85,28

- 10,7 x 10-2

- 22,8 x 10-5

83,77

Poo

* o coeficiente C2 adimensional
Fonte: Elaborao prpria

50

Com as CPPs ajustadas, foi realizado o clculo do coeficiente de determinao


(r) de cada uma dessas curvas, comparando-os com aqueles obtidos atravs das CPPs
equacionadas pelo polinmio de segundo grau (Tabela 4.2).
Tabela 4.2 Coeficiente de determinao (r)
Poo

Curva de
Alarcn

Curva de 2
grau

HG-01

1,0000

0,9623

HG-02

0,9991

0,9464

HG-03

1,0000

0,9913

HG-04

0,9998

0,9808

HG-05

0,9992

0,9407

HG-06

0,9996

0,9870

HG-07

0,9996

0,8890

HG-08

0,9990

0,9804

HG-09

0,9991

0,9503

HG-10

0,9995

0,9775

Fonte: elaborao prpria

Verificou-se em todos os casos que as curvas elaboradas pelo mtodo de


Alarcn et al. (2002) obtiveram um correlacionamento melhor do que a curva formada
pelo polinmio de segundo grau. Os indicadores de qualidades calculados a partir dos
pontos fornecidos pelos testes de produo foram muito bons, aproximando bastante do
grau de qualidade timo (r = 1).

4.2

Anlise dos resduos do poo HG-07

Para dar maior credibilidade ao modelo de Alarcn et al. (2002), foi realizada a
anlise dos resduos no poo HG-07, o qual foi escolhido aleatoriamente. Como foi
descrito no captulo 3, os resduos nada mais so do que a diferena entre os dados
reais, neste caso aqueles obtidos do teste de produo, e os dados da curva ajustada. A
Figura 4.1 auxilia a verificar graficamente os resduos formados pelos dois mtodos
comparados, com os dados coletados do teste de produo do poo HG-07. Percebe-se
51

claramente que a curva de Alarcn et al. (2002) ajusta-se melhor aos dados de
produo.

HG-07

Figura 4.1 CPPs elaboradas pelo mtodo de Alarcn e o polinmio de segundo grau
Fonte: elaborao prpria

Para avaliar o comportamento desses resduos foi traado um grfico colocandoos no eixo das ordenadas e a vazo de GL no eixo das abscissas, sendo que este grfico
foi elaborado para cada um dos dois modelos abordados.

52

Figura 4.2 Resduos entre os dados de produo e os ajustados pelo modelo de


Alarcn.
Fonte: elaborao prpria

Fica evidente, verificando a Figura 4.2, que os resduos originados pelo modelo
de Alarcn et al. (2002) no apresentam um comportamento bem definido, distribuindose aleatoriamente ao longo da reta correspondente ao resduo zero. Dessa forma, esperase que os erros sejam independentes, de mdia nula e de varincia constante.

53

Figura 4.3 Resduos entre os dados de produo e os ajustados pela curva de segundo
grau
Fonte: elaborao prpria

Os resduos gerados pelo polinmio de segundo grau, delineados na Figura 4.3,


no podem ser classificados como resduos aleatrios, pois seguem um determinado
padro. Assim, os erros gerados por esse polinmio apresentam um tipo de formato que
pode ser modelado, no satisfazendo os pressupostos bsicos da analise de regresso.
Atravs da Figura 4.4 elaborada pela normal Q-Q PLOT, verifica-se que os
resduos do modelo de Alarcn et al. (2002) esto posicionados aproximadamente sobre
uma reta, comprovando tambm o pressuposto da distribuio normal.

54

Figura 4.4 Distribuio dos resduos pelo Grfico normal Q-Q PLOT
Fonte: elaborao prpria

Verificado a veracidade dos quatro pressupostos requeridos pela anlise de


resduos para o modelo de Alarcn et al. (2002), pode-se agora confirmar com uma
certeza maior que este modelo est adequado para representar a CPP.

4.3

Anlise da produo dos poos situados no campo analisado da Petrobras

Neste item sero avaliados o trabalho de otimizao na distribuio de GL para


os 10 poos de produo da plataforma localizada em um dos campos escolhidos da
Petrobras, e o ganho econmico com a utilizao do Modelo de Alarcn et al. (2002)
para elaborar a CPP.
O primeiro estudo teve como objetivo calcular qual seria a produo mxima
terica dos poos sem limitao na vazo mxima de GL. Em seguida foi analisado
outro estudo de caso considerando a restrio de vazo mxima de GL por poo, devido
s limitaes tcnicas encontradas na plataforma de produo. Outro estudo para o
clculo da produo mxima de leo foi desenvolvido baseando se na vazo atual de
GN que disponibilizada para o GL na plataforma analisada.
55

Alm desses estudos, foi calculado qual seria o benefcio em utilizar a CPP
ajustada pelo modelo de Alarcn et al. (2002) em relao quela ajustada pelo
polinmio de segundo grau, a fim de observar se os ganhos auferidos por essa nova
tcnica resultariam em valores significativos.
Por fim, foi elaborada uma comparao do algoritmo GRG com o algoritmo
gentico visando verificar a robustez do GRG em solucionar o problema de otimizao
da produo de leo de uma determinada plataforma de produo atravs da
redistribuio do GL.

4.4

Mxima vazo de leo terica

Caso a disponibilidade na vazo de GL na plataforma fosse ilimitada e no


houvesse qualquer limitao tcnica na plataforma de produo, todos os poos estariam
produzindo em suas vazes mximas de leo. Ento, os poos estariam utilizando uma
quantidade tima individual de GL, que se localiza no ponto em que a derivada da CPP
nula.
Neste cenrio, a unidade de produo situada no campo analisado seria capaz de
produzir em torno de 6.786 metros cbicos standard por dia (std m/d)17 de leo,
correspondente a 42.680 barris de petrleo por dia (bpd), injetando um total de
3.388.000 std m/d (ou 3.338 std Mm/d) de GL para os 10 poos considerados. Neste e
nos prximos exemplos, foi considerada, como uma das restries do modelo de
otimizao, a vazo mnima de GL injetada por poo igual a 40 std Mm/d. Esta
limitao existe porque a vlvula de GL instalada no fundo do poo um equipamento
que abre ou fecha de acordo com a diferena de presso entre a linha de GL e a coluna
de produo. No momento de abertura desta vlvula, uma quantidade significativa de
gs entra na coluna de produo, reduzindo a presso acumulada na linha injeo. Se
esta presso for prxima necessria para abertura da vlvula, a reduo ocasionar o
fechamento da vlvula do equipamento. Aps este fechamento, a presso na linha de
17

As vazes so sempre expressas nas condies de superfcie, por exemplo, em metro cbico standard
por dia (std m/d). As condies de superfcie tambm so chamadas de condies padro ou condies
standard, e correspondem presso de 1 atm e temperatura de 20 C.

56

injeo aumentar ocasionando a abertura da vlvula novamente. Este ciclo


permanecer enquanto no houver um aumento significativo na presso de injeo. Para
os poos do campo estudado a vazo mnima associada a esta condio instvel de
injeo do GL est em torno de 40 std Mm/d.
Alguns desses poos, conforme Tabela 4.3, exigem muito gs para chegarem
vazo mxima terica na injeo de GL, como o caso do HG-02, HG-03, HG-04, HG06. Como j foi mencionado, na prtica, normalmente impossvel conseguir vazes de
injeo excessivamente altas devido s limitaes tcnicas encontradas na plataforma de
produo. Os parmetros mais significativos dessa limitao so a presso mxima
fornecida pelos compressores que est diretamente associada com a vazo de GL e o
risco de eroso das vlvulas de GL com vazes muito altas desse gs.
Um novo cenrio foi proposto (Tabela 4.3), considerando que no houvesse
limitao na presso de injeo fornecida pelos compressores, mas que, por segurana,
fosse limitado vazo mxima de GL por poo18 a 330 std Mm/d, evitando assim um
possvel risco de eroso na vlvula de GL.

18

Na teoria no existe um valor mximo de injeo de GN atravs da vlvula de GL informado pelos


fabricantes; na prtica, algumas vlvulas foram erodidas com alta vazo de GL. A vazo de 330 std
Mm/d de GL adotada como limite por poo apenas um valor para fins didticos, porm com certa
aproximao da realidade, pois de fato um valor considerado bastante alto para a injeo de GL.

57

Tabela 4.3 Produo do Campo analisado da Petrobras


Poo
HG-01

Vazo mxima terica


Qgi***
Qo**
(m/d)
(std Mm/d)
416,0
319,2

Limite de injeo*
Qo
Qgi
(m/d)
(std Mm/d)
416,0
319,2

HG-02

350,4

372,6

350,3

330,0

HG-03

608,5

473,3

591,8

330,0

HG-04

1.075,3

395,2

1.071,9

330,0

HG-05

1.515,3

318,6

1.515,3

318,6

HG-06

648,3

466,9

637,3

330,0

HG-07

334,4

152,2

334,4

152,2

HG-08

376,8

305,1

376,8

305,0

HG-09

1.120,9

258,3

1.120,9

258,3

HG-10

340,7

326,6

340,7

326,6

TOTAL

6787

3388

6755

3000

* Limite de injeo de 330 std m/d de GL por poo


** Qo vazo de leo; *** Qgi vazo do GN usado no GL
Fonte: Elaborao prpria

Atravs dos resultados obtidos da Tabela 4.3, com a limitao de GL por poo
em 330 std Mm/d, a otimizao resultou em uma produo de leo de 6.755 m/d
(42.483 bpd), ao se injetar no campo 3.000 std Mm/d de GN. Pode ser verificado que
essa limitao de vazo de GL imposta aos poos reduziu a produo de leo do campo
em apenas 31 m/d (201 bpd), o que representou uma queda de aproximadamente 0,5%,
comparada com a produo sem essa restrio. Por outro lado, nessa condio foi
constatada uma reduo de injeo de GN no campo de 388 std Mm/d, equivalente a
uma queda percentual de 11,5%. A anlise mostra que apesar da queda de gs injetado
no campo ter sido significativa, a queda na produo foi pouco expressiva, evidenciando
que os poos estavam trabalhando em uma faixa suave da CPP em que um acrscimo na
injeo de gs alteraria pouco a produo de leo.

4.5

Limitao atual do Gs Lift

De acordo com as caractersticas da plataforma de produo que extrai o leo do


campo escolhido da Petrobras, a vazo mxima de GL gira em torno de 2.000 std
Mm/d limitada pela presso mxima de injeo fornecida pelos compressores
instalados na plataforma. Existem, porm, outras variveis que afetam a segurana do
58

processo, como por exemplo, a temperatura, que aumenta quanto maior for a presso
fornecida pelos compressores. Para trabalhar em uma condio mais estvel, sem
prejudicar os equipamentos, essa unidade de produo trabalha com uma injeo atual
na faixa de 1.600 std Mm/d de GL.
Ao supor nesta situao (Qgi,mx = 1.600 std Mm/d) que o GL fosse dividido
igualitariamente para os 10 poos fornecendo uma vazo de 6353 std m/d, um simples
trabalho para otimizar a distribuio desse gs permitiria aumentar a vazo para 6.427
std m/d de leo, ou seja, um acrscimo de 74 std m/d (465 bpd). Isso representaria um
faturamento extra em torno de US$ 37,2 mil por dia, considerando o valor do barril de
petrleo igual a US$ 8019 (EIA, 2010).
Atualmente so injetados 1.600 std Mm/d de GL, podendo ser aumentada em
mais 400 std Mm/d dentro de um intervalo teoricamente aceitvel. Contudo, utiliza-se
uma taxa menor de injeo por segurana, evitando assim um possvel descontrole na
planta de processo devido ao aumento de temperatura no compressor. A Tabela 4.4
detalha os ganhos que poderiam ser obtidos por poo e a nova distribuio de GL, caso
fossem injetados 2.000 std Mm/d de GN nos poos, ao invs de 1.600 std Mm/d. Este
clculo foi simulado baseando na CPP definida pela equao de Alarcn et al. (2002).

19

Cotao mdia do barril de petrleo do tipo WTI durante o ano de 2010.

59

Tabela 4.4 Comparativo para a disponibilidade de GL em 1600 e 2000 std Mm/d


Qgi, Max = 1600 std Mm/d
Qo
Qgi
(m/d)
(std Mm/d)

Qgi, Max = 2000 std Mm/d


Qo
Qgi
(m/d)
(std Mm/d)

HG-01

381,5

144,0

397,3

180,8

HG-02

316,5

91,1

329,1

120,5

HG-03

549,4

218,9

580,0

289,6

HG-04

1.030,9

190,1

1.053,2

242,0

HG-05

1.493,1

212,1

1.504,2

237,8

HG-06

588,7

182,4

616,5

246,7

HG-07

322,2

99,5

328,6

114,4

HG-08

350,6

199,8

365,3

233,6

HG-09

1.095,3

144,0

1.108,1

173,3

HG-10

299,3

118,1

317,9

161,4

TOTAL

6.427

1.600

6.600

2.000

Poo

Fonte: elaborao prpria

Com a injeo de 2.000 std m/d de GL poderia se alcanar, teoricamente, aps


um processo de otimizao, uma produo de 6.600 std m/d de leo (42.507 bpd). Esse
aumento na vazo de GL possibilitaria um aumento na vazo de leo de 173 std m/d
(1.088 bpd) em comparao com a produo quando a taxa de injeo foi de 1.600 std
Mm/d (faturamento adicional de US$ 87 mil por dia). O aumento na vazo de GL
possibilitou um salto econmico considervel, abrindo um espao para que se estude a
viabilidade tcnico-econmica de serem instalados trocadores de calor mais potentes, de
modo que os compressores no atinjam temperatura crtica para vazes de GL maiores.
Em algumas situaes, a disponibilidade de GL pode ser reduzida a valores
inferiores aos 1.600 std Mm/d injetados atualmente, devido a uma srie de fatores
adversos. Por exemplo, quando o sensor de temperatura comea acusar leitura alta e
emite uma informao para diminuir a potncia do compressor ou quando ocorre uma
demanda maior na gerao eltrica de usinas trmicas a GN interligadas no sistema
eltrico, mais gs deve ser exportado, reduzindo, assim, a parte disponvel para GL.
Outro exemplo a parada de um dos compressores para manuteno preventiva.

60

Caso a limitao na injeo de GL fosse de 900 std m/d, a otimizao do GL,


frente a uma diviso igualitria desse gs, proporcionaria uma reduo nas perdas de
produo de 116 std m/d de leo (730 bpd), correspondente a um ganho percentual 2%.
Quando a limitao do GL foi de 1.600 std m/d, a otimizao desse gs proporcionou
um aumento percentual um pouco menor, de 1,2%. Esta comparao corrobora para o
fato de que, quanto menor a disponibilidade de GL, mais importante ser otimizar seu
uso para minimizar as perdas na produo de leo.

4.6

CPP de Alarcn versus CPP de segundo grau

Conforme abordado anteriormente, algumas empresas petrolferas ajustam as


CPPs atravs do polinmio de segundo grau e, em seguida, as inserem no modelo de
otimizao desenvolvido para maximizar a produo do campo que est sendo
analisado. Visto que h divergncia entre essa curva e os dados do teste de produo, a
distribuio de GL informado pelo modelo de otimizao no estar exatamente no
ponto timo, afetando por sua vez a produo de leo da plataforma. Ser elaborada
uma anlise de sensibilidade entre a otimizao realizada para o GL, tanto no caso da
CPP ajustada pelo polinmio de segundo grau quanto pelo modelo proposto por
Alarcn et al. (2002), com o objetivo de verificar se o impacto gerado na produo de
petrleo significativo.
A anlise de sensibilidade foi realizada variando a disponibilidade mxima na
vazo de GL desde 700 at 2.500 std m/d. A partir desse intervalo, foram apresentados
os resultados encontrados pelo aplicativo Solver disponvel no software Excel da
Microsoft, discretizando cada 100 std m/d de aumento no GL at atingir os 2.500 std
m/d estipulados. A Tabela 4.5 informa a vazo de leo total da plataforma para cada
uma das discretizaes consideradas, para as duas CPPs analisadas.
O clculo da produo de leo diria da unidade, no caso em que a CPP foi
elaborada pela curva de segundo grau, procedeu da seguinte maneira: primeiro foi
realizada a distribuio do gs de injeo utilizando o modelo de otimizao do Solver
do Excel; em seguida, para clculo da vazo de leo, tomaram-se os valores encontrados
de GL e inseriu-os nas equaes das CPPs formuladas pelo mtodo de Alarcn, pois

61

estas equaes se aproximam mais dos dados reais de produo mostrando com uma
incerteza menor qual seria vazo de leo.
Tabela 4.5 Comparativo da produo otimizada do campo escolhido da Petrobras
entre a CPP ajustada pelo mtodo de Alarcn e o Polinmio de segundo grau
Qgi

Qo (CPP Alarcn)

Qo (CPP 2 grau)

Ganho

Ganho

10 std m/d

m/d

m/d

m/d

700

5.509

5.427

82

1,5%

800

5.680

5.582

98

1,8%

900

5.824

5.722

102

1,8%

1.000

5.948

5.860

88

1,5%

1.100

6.055

5.975

80

1,3%

1.200

6.149

6.071

78

1,3%

1.300

6.232

6.155

77

1,3%

1.400

6.305

6.228

77

1,2%

1.500

6.370

6.303

67

1,1%

1.600

6.427

6.364

63

1,0%

1.700

6.479

6.439

40

0,6%

1.800

6.524

6.496

28

0,4%

1.900

6.564

6.545

19

0,3%

2.000

6.600

6.587

13

0,2%

2.100

6.632

6.622

10

0,2%

2.200

6.660

6.651

0,2%

2.300

6.684

6.673

11

0,2%

2.400

6.705

6.697

0,1%

2.500

6.721

6.714

0,1%

Fonte: elaborao prpria

Quando a limitao na taxa de injeo de GN est baixa visualiza-se ganhos


considerveis ao utilizar o modelo de Alarcn et al. (2002) em relao ao polinmio de
segundo grau. Se a limitao de GL estivesse em 900 std Mm/d por algum motivo na
plataforma, (por exemplo, um dos dois compressores utilizados desarmou por
temperatura elevada) a otimizao pelo mtodo de Alarcn et al. (2002) possibilitaria
um acrscimo de 102 std m/d (641 bpd), um aumento percentual de 1,8 %, comparado
ao mtodo do polinmio de segundo grau. Esse acrscimo representativo para a
empresa, pois o investimento necessrio para adaptar o modelo de Alarcn ao problema
proposto desprezvel, e proporcionaria um faturamento extra de US$ 51,3 mil por dia.

62

Para vazes acima de 1.800 std Mm/d no haveria grande diferena entre os
dois modelos comparados, pois com maior disponibilidade de GL inicia-se uma fase
mais suave da curva, prxima ao mximo de produo. Assim, a otimizao dos poos
em conjunto vai perdendo o sentido, pois vai existir uma quantidade suficiente de GL
permitindo ajustar a vazo desse gs prxima ao timo em cada poo. O problema passa
a se caracterizar, cada vez mais, por uma otimizao independente dos poos, quanto
maior for a vazo disponvel de GL.
A aplicao do modelo de Alarcn et al. (2002) possibilitaria um ganho prximo
a 63 std m/d (392 bpd), um aumento percentual na faixa de 1,0%, para a atual taxa de
injeo de GN no campo em anlise, o que corresponderia a um faturamento adicional
de US$ 31,7 mil por dia.

4.6.1

Grfico auxiliar

A curva na Figura 4.5 foi elaborada a partir dos dados obtidos na Tabela 4.5, e
representa a superposio da produo otimizada de leo dos 10 poos do campo em
estudo para diferentes taxas de injeo de GL.

6800

6600

Vazo leo (m/d)

6400

6200
Curva de A larcn

6000

Dados do teste de
produo

5800

5600

5400
0

500

1000

1500

2000

2500

3000

Vazo de GL (10 std m/d)

Figura 4.5 Produo otimizada do campo analisado variando a disponibilidade de GL


Fonte: elaborao prpria

63

Esta curva foi elaborada a partir dos dados do teste de produo que foram
correlacionados pelo modelo de Alarcn et al. (2002), apresentando um grau de
qualidade (r) muito satisfatrio, 0,999997 (muito prximo a 1). uma ferramenta
interessante que permite estimar rapidamente qual seria a perda na produo da unidade
caso houvesse alguma limitao de GL. Por exemplo, considerando que houvesse algum
problema em um dos compressores e, por esta razo, fosse reduzida a injeo de GN de
1.600 std Mm/d para 750 std Mm/d, haveria uma perda na produo de 829 std m/d
de leo.

4.7

Atualizao da CPP

Existem diversos parmetros dos fluidos que podem se alterar ao longo do


tempo como: a viscosidade, o fator de encolhimento do leo, a Razo Gs leo (RGO),
a frao de gua (fw) entre outros. Estes parmetros esto diretamente relacionados com
o regime de escoamento dos fluidos produzidos, pois alteram a densidade e a perda de
carga na coluna de produo, que modificam por sua vez o formato da CPP. Portanto, as
CPPs devem estar frequentemente sendo atualizadas para representar com maior
fidelidade a situao atual de produo dos poos analisados. Essa atualizao constante
permitir que o resultado obtido na otimizao de GL seja mais confivel.

4.8

Comparativo entre os algoritmos GRG e Gentico

A comparao entre os algoritmos GRG e Gentico (Tabela 4.6) mostrou a


robustez do GRG em resolver o problema para otimizao do GL, apresentando um
resultado melhor do que o gentico. A melhor distribuio de GL encontrada pelo
mtodo do GRG ocorreu porque o problema tratado um caso clssico de um sistema
que maximiza a produo de leo atravs da derivada da CPP. Este sistema vai ao
encontro com o procedimento descrito pelo mtodo do GRG, que atravs da derivada da
funo objetivo em relao s varireis no-bsicas, determina um vetor de busca que
orienta as variveis bsicas em direo ao ponto timo. O gentico, no entanto, um
algoritmo que procura a soluo tima atravs de um procedimento inteligente,
evoluindo geralmente a partir de um conjunto de dados aleatrios atravs de geraes. A
cada gerao, a adaptao de cada soluo na populao avaliada. Sendo assim, alguns
indivduos so selecionados para a prxima gerao, e so recombinados ou mutados
64

para formar uma nova populao. A nova populao ento utilizada como entrada para
a prxima iterao do algoritmo. A grande questo que este mtodo no considera o
funcionamento da funo objetiva, bastando t-la disponvel para aplicar a evoluo na
populao de dados. Isto pode ser uma vantagem quando se trabalha com funes
extremamente complexas, mas no caso da equao proposta por Alarcn et al. (2002), a
derivada desta equao parece ser melhor forma de se encontrar uma soluo,
apontando o mtodo GRG como mais apropriado para o problema de otimizao do GL.
Tabela 4.6 Comparativo entre os algoritmos GRG e Gentico demonstrando a
produo de leo otimizada
Qo (m/d)
Qgi, Mx

GRG

Gentico

900

5823,8

5808,5

1.600

6427,4

6424,0

2.000

6600,3

6600,1

Fonte: Elaborao prpria

O algoritmo gentico um processo que vai melhorando a soluo


constantemente, assim, quanto maior o tempo de busca, maiores sero as evolues na
populao de dados inicial. Com um tempo maior de busca ser maior a probabilidade
de que a soluo esteja mais prxima do ponto timo. Nesta comparao foi fixado
como condio de contorno para o algoritmo gentico o tempo mximo de 200
segundos para que houvesse um aperfeioamento na soluo anterior, caso contrrio, o
algoritmo finaliza a busca.
Tabela 4.7 Nmero de iteraes e intervalo de tempo demandado pelo algoritmo GRG
para otimizar o problema de GL.
Qgi, Max
900

Iteraes
14

Intervalo de tempo (seg)20


0,764

1.600

16

0,858

2.000

13

0,780

Fonte: Elaborao prpria

20

Tempo obtido ao resolver o problema a partir de um computador equipado com um processador Intel
Core 2 Duo de 1.6 GHz

65

A Tabela 4.7 apresenta o tempo gasto para o GRG chegar ao ponto timo,
mostrando que a escolha por este algoritmo foi bastante apropriada, decorridos menos
de um segundo para os trs casos em que a limitao de GL foi fixada nos valores de
900, 1.600 e 2.000 std Mm/d.
Na condio em que o limite de GL era de 1.600 std Mm/d, o algoritmo gentico
encontrou uma soluo, aps 220,3 segundos, um intervalo de tempo muito maior do
que o tempo requerido pelo GRG. Mesmo assim, a resposta obtida por este ltimo
modelo foi melhor do que a soluo encontrada pelo algoritmo gentico.

66

CONCLUSO
A otimizao de GL uma tcnica necessria e simples de ser realizada em uma

plataforma de produo. Sua aplicao permite aumentar as receitas de uma empresa de


petrleo, antecipando a produo de um campo atravs do aumento na vazo diria dos
fluidos produzidos. Alm disso, esta tcnica possibilitaria aumentar a oferta de petrleo,
de forma a contribuir no atendimento a demanda crescente do consumo energtico nos
prximos anos.
Para a implantao desta tcnica, o engenheiro de petrleo, de posse das CPPs
atualizadas, realiza a otimizao do GL por meio de algum aplicativo capaz de
encontrar qual ser a nova distribuio desse gs que maximiza a produo de leo.
Com as novas taxas de injeo de GN, calculadas pelo engenheiro, a plataforma executa
da sala de controle o ajuste remoto na abertura das vlvulas de injeo de cada um dos
poos, adequando-se a vazo de GL informada.
O estudo de caso para o campo da Petrobras que foi analisado mostrou diversos
resultados interessantes, comprovando a importncia em se aprimorar o processo de
otimizao do GL, principalmente porque a disponibilidade atual de GL uma restrio
na plataforma localizada nesse campo. Para este caso, estudar possibilidades que
permitam aumentar a oferta de GN para ser utilizado como GL uma alternativa vivel
e necessria, pois muitos dos poos analisados esto produzindo longe do ponto
operacional de mxima produo. Um pequeno exerccio realizado para este campo
mostrou que, aumentando a disponibilidade de GL dentro do limite tecnicamente
aceitvel, prximo a 2.000 std Mm/d, permitiria um aumento na vazo de leo de 173
std m/d (1.088 bpd).
Haveria espao ainda para uma injeo de GL maior ainda do que os 2.000 std
Mm/d tolerados atualmente, permitindo uma vazo de leo maior. No entanto, quando
a vazo de GL alcana valores muito altos, aparecem novos problemas operacionais,
principalmente aqueles que interferem na eficincia dos compressores, como por
exemplo, alta temperatura do equipamento. Seria importante realizar, portanto, outros

67

estudos que permitam contornar estes problemas, de forma a aumentar a capacidade de


injeo de GL do sistema de compresso do gs.
O outro estudo realizado permitiu concluir que quanto maior a limitao do GL,
mais importante se torna a otimizao do GL para os poos em conjunto. Quando a
disponibilidade de GL aumenta e deixa de ser uma restrio, o problema passa a tratar
os poos individualmente, buscando maximizar a produo de cada um dos poos
independentemente. Quando a otimizao foca os poos em conjunto as principais
ocorrncias que limitam o GL so a necessidade de aumentar o gs exportado para fins
comerciais, a necessidade de manuteno de um dos compressores, ou a reduo de
potncia nestes mesmos equipamentos devido temperatura elevada atingida. Quando a
otimizao foca os poos individualmente o principal parmetro a ser analisado a
presso de injeo requerida pelo poo para alcanar a vazo de GL que fornece a
mxima produo. Em alguns poos do campo estudado a presso para atingir o timo
operacional maior do que a presso de descarga do compressor. H que se avaliar, em
paralelo, se a vazo tima de injeo do GN excessivamente alta podendo ocasionar
algum dano na vlvula de GL.
Nesta dissertao foi confirmado que existem ganhos considerveis na
otimizao de GL realizada em uma plataforma de produo, quando se utiliza uma
curva que se ajusta melhor aos pontos formados pela produo de petrleo e a taxa de
injeo de GL de um poo (CPP). Conforme abordado, esses pontos so obtidos atravs
de um teste realizado na plataforma de processamento em que se mede a vazo leo
para diversas taxa de injeo de GN. O estudo que permitiu esta concluso foi realizado
para o campo analisado da Petrobras comparando o ganho simulado quando foi
equacionada a CPP pelo modelo de Alarcn frente ao polinmio de segundo grau.
No presente trabalho, a curva modelada por Alarcn com a finalidade de
representar os dados reais de produo destacou-se devido sua simplicidade e o alto
grau qualidade do coeficiente de determinao (r), sempre maior do que 0,999, por isso
este modelo foi escolhido nesta dissertao. H, no entanto, outras curvas mais
complexas que utilizam termos exponenciais ou polinmios de graus maiores do que
cinco, e podem vir a ter, em alguns casos, uma aproximao levemente melhor do que o
mtodo de Alarcn. A rigor, no h necessidade de uma preciso extremamente alta
68

para simular a CPP, pois existem outras incertezas inerentes ao processo, como o caso,
da quantidade de gs que est se injetando e a de leo produzido, que carregam certa
impreciso contida nos seus respectivos medidores.
Os resultados da comparao entre o modelo de Alarcn e o modelo do
polinmio de segundo grau foram muito satisfatrios, comprovando a eficcia do
primeiro. Na situao atual em que so utilizados 1.600 std Mm/d de GL, a troca da
equao atual que descreve a CPP para o modelo de Alarcn possibilitou um ganho
adicional simulado de 63 std m/d, (396 bpd), um faturamento prximo US$ 31,7 mil
por dia. Caso a limitao de gs fosse maior, os ganhos percebidos com o modelo
proposto seriam ainda mais significativos. No passado, quando houve limitao de gs
por motivos diversos, muito da perda de leo poderia ter sido evitada se fosse realizado
a otimizao de GL com o modelo de Alarcn.
A tcnica apresentada, alm de apresentar ganhos considerveis, quando
comparada com a CPP descrita atualmente, muito simples de ser implementada,
bastando que seja alterada a equao geral da CPP, com isso, os custos associados para
sua aplicao so desprezveis. Os passos seguintes so exatamente iguais quando se
utiliza a curva de segundo grau, sendo calculada a distribuio de GL no modelo de
otimizao e informando, a seguir, aos tcnicos da plataforma para que ajustem a
quantidade de gs injetado por poo.
Este estudo abordou sucintamente que a CPP no se mantm a mesma durante
toda a vida produtiva de um poo, e sim est em constante modificao por causa das
alteraes ocorridas nas propriedades dos fluidos produzidos do reservatrio. Visto que
quanto mais representativa for a CPP da produo real do poo, melhor ser o resultado
encontrado pelo modelo de otimizao do GL, importante que se realize
frequentemente os testes de produo nos poos para atualizao das CPPs. Como
pesquisa futura seria interessante avaliar qual deve ser a frequncia ideal para realizar os
testes de produo a fim de atualizar as CPP. Se por um lado esses testes melhoram a
otimizao do GL, por outro lado, quando realizados podem ocasionar perdas
associadas ao alinhamento do poo para a planta de teste.

69

Outra concluso quanto comparao realizada entre os algoritmos GRG e


gentico que comprova a eficcia do GRG em resolver o problema relacionado
distribuio do GL, obtendo uma resposta melhor e muito mais rpida do que aquela
encontrada pelo algoritmo gentico. O GRG por ser um mtodo de busca que direciona
a soluo do problema atravs de um vetor determinado por meio da derivada da
funo objetivo em relao s variveis no-bsicas, vai ao encontro do problema, pois
o ponto mximo de produo de cada poo determinado tambm pela derivada da
CPP.
Ressalta-se que o clculo das derivadas no algo muito fcil quando as funes
no-lineares so muito complexas, sendo mais apropriado, neste caso, um mtodo de
procura como o gentico. No entanto, o problema do GL, estudado nesta dissertao,
trata-se de um sistema simples que apresenta poucas restries de desigualdades e todas
so lineares, portanto o algoritmo GRG bastante conveniente para tratar este problema
como demonstrado no presente trabalho.

70

REFERNCIA BIBLIOGRFICA
AGNCIA NACIONAL DO PETRLEO [ANP]. Dados Estatsticos Mensais:
Reservas Nacionais de Petrleo e Gs Natural. ANP, 2011. Disponvel em:
<www.anp.gov.br>. Acesso em: 08 Mar. 2011.
ALARCN, G., TORRES, C., GMEZ, L., Global optimization of gas allocation to a
group of wells in artificial lift using nonlinear constrained programming. ASME
Journal of Energy Resources Technology, v. 124, pp. 262268, Dec. 2002.
BACOCCOLI, G., A explorao de petrleo no Brasil. In: Carneiro, J., Fronteiras, 1
ed., captulo 1, Rio de Janeiro, Organizao Nacional da Indstria do Petrleo, 2008.
CAMPONOGARA, E., NAKASHIMA, P., Applying dynamic programming to a gaslift optimization problem, 2nd Congresso Brasileiro de Pesquisa e Desenvolvimento
em Petrleo e Gs, Rio de Janeiro, Brasil, 2003.
CONTO, A. M., Alocao de Gs de Injeo em Poos de Petrleo sob Restries de
Pendncias: Linearizao por Partes e Programao Inteira. Tese de M. Sc.
PPGEE/UFSC, Florianpolis, SC, Brasil, 2006.
DVILA, S. G., A indstria petroqumica brasileira, Revista Eletrnica de
Jornalismo

Cientfico,

2002.

Disponvel

em:

<http://www.comciencia.br/reportagens/petroleo/pe
t21.shtml>. Atualizado em 10/12/2002
ENERGY INFORMATION ADMINISTRATION [EIA]. Energy Sources: Petroleum.
Spot Prices: WTI oil, 2010. EIA, 2010. Disponvel em: < http://www.eia.gov/>. Acesso
em: 20 Dez. 2010.
EMPRESA DE PESQUISA ENERGTICA [EPE]. Plano Decenal da Expanso de
Energia 2019: Relatrio Final. Brasil, 2010. Disponvel em: <www.epe.gov.br> Acesso
em: 10 Fev. 2011
71

FANG, W. Y.; LO, K. K., 1996, A generalized well-management scheme for reservoir
simulation. SPE Reservoir Engineering, v. 11, n. 2, p. 116120, May. 1996.
FRITZSCHE, H., Programao No-linear: anlises e mtodos, So Paulo, Editora da
Universidade USP, 1978.
HENKE, G. P, 2002. Elevao e Escoamento de Petrleo: Qualificao em Operao
de

Produo

de

Petrleo.

Maca,

apostila

do

curso

COOPFURNAS.

<http://tecnopeg.blogspot.com/2008/10/apostila-sobre-elevao-e-escoamento-de.html>.
Acesso em: 20 ago. 2010.
KANU, E. P., MACH., J. M., BROWN, K. E., Economic approach to oil production
and gas allocation in continuous gas lift. Journal of Petroleum Technology, pp. 1887
1892, Oct. 1981.
LOPES, D., BORGES, J. P., CAPUCCI, E. C., Derivada Econmica e Critrio de
Abandono para poo com Gs lift Contnuo. VIII Encontro Tcnico de Gs Lift.
Macei, 2006.
MAYHILL, T. D., Simplified method for gas-lift well problem identification and
diagnosis. In: Proc. SPE Annual Fall Meeting. Houston, Texas: [s.n.]. Paper SPE
5151, 1974.
MINERALS PROCESSING RESEARCH INSTITUTE [MPRI]. Multi Variable
Optimization Procedures: Generalized Reduced Gradient Method, 2010. Disponvel
em: <http://www.mpri.lsu.edu>. Acesso em: 15 Nov. 2010.
NAKASHIMA, P. H. R., Otimizao de Processos de Produo de Petrleo via injeo
contnua. Tese de D. Sc. PPGEE/UFSC, Florianpolis, SC, Brasil, 2004.
NASCIMENTO, J. M. A., Simulador Computacional para Poos de Petrleo com
Mtodo de Elevao Artificial por Bombeio Mecnico. Tese de M. Sc. PPGEEC/UFRN,

72

Natal, RN, Brasil, 2005. Disponvel em: <http://bdtd.bczm.ufrn.br/tedesimplificado>


Acesso em: 16 ago. 2010
NISHIKIORI, N., REDNER, R. A., DOTY, D. R., SCHMIDT, Z., et al., An improved
method for gas lift allocation optimization. In: Proc. SPE Annual Technical
Conference and Exhibition. San Antonio, TX: [s.n.]. Paper SPE 19711, 1989.
OIL AND GAS PROCESSING. Artificial Lift. San Franciso, USA, 2009.
<http://oilandgasprocessing.blogspot.com/2009/05/artificial-lift.html> Acesso em: 01
set. 2010
PETROBRAS. Destaques Operacionais: Manual de Procedimentos de Estimativa de
Reserva,

2010a.

Disponvel

em:

<http://www2.petrobras.com.br/ri/port/DestaquesOperacionais/ExploracaoProducao/Ma
nualProcedimentos_MetodologiaEstimativa.asp>. Acesso em: 25 jul. 2010.
PETROBRAS. Destaques Operacionais: Explorao e Produo. Custo de Extrao,
2010b. Disponvel em: <http://www2.petrobras.com.br/ri/port/DestaquesOperacionais/
ExploracaoProducao/CustosExtracao.asp>. Acesso em: 20 Dez. 2010.
RAO, S. S., Engineering Optimization: Theory and Practice. 3 ed. New Jersey, John
Wiley & Sons, 2009.
REDDEN, J. D.; SHERMAN, T. A. G.; BLANN, J. R., Optimizing gas-lift systems.
In: Proc. of the 49th Annual Fall Meeting of the Society of Petroleum Engineers of
AIME. Houston, Texas: [s.n.]. Paper SPE 5150, 1974.
SHERALI, H., On mixed-integer zero-one representations for separable lowersemicontinuous piecewise-linear functions, Operations Research Letters, v. 28, p.
155160, 2001.
SMITH, C. L., Pike, R. W., Murrill P. W., Formulation and Optimization of
Mathematical Models, International Textbook Co., Scranton, Pa, 1970.

73

SOUZA, M. J. F., Ajuste de Curvas pelo Mtodo dos Quadrados Mnimos.


Departamento de Computao/ICEB/UFOP. Ouro Preto, MG, Brasil, 2010. Disponvel
em:

<

http://www.decom.ufop.br/prof/marcone/Disciplinas/MetodosNumericoseEstatisticos/Q
uadradosMinimos.pdf >. Acesso em: 02 nov. 2010
THOMAS, J. E., TRIGGIA, A. A., CORREIA, C. A., et al., Fundamentos de
Engenharia de Petrleo. Rio de Janeiro, Intercincia, 2001.
WOLFE, P., Methods of Nonlinear Programming. In: Recent Advances in
Mathematical Programming, Ed. R. L. Graves and P. Wolfe, McGraw - Hill Book
Company, New York, 1963.
WONNACOTT, R. J., e WONNACOTT, T.H., Introductory Statistics. 3 ed. New York,
John Wiley & Sons, 1977.

74

ANEXO I DESCRIO DETALHADA DO CICLO REALIZADO


PELA BOMBA DE FUNDO DO SISTEMA DE BOMBEAMENTO
MECNICO
Para o entendimento deste ciclo necessrio, primeiramente, o conhecimento
das partes internas da bomba de fundo exemplificadas na figura A.1. A bomba de fundo
dotada de camisa, pisto, vlvula de passeio e vlvula de p.

Figura A.1 Partes internas da bomba de fundo


Fonte: Nascimento, 2005

No curso ascendente (Figura-A.2), o pisto sobe e a vlvula de passeio se fecha


devido presso interna causada pela coluna hidrosttica de fluido que est na coluna
de produo, permitindo nesse momento elevar uma quantidade de fluido proporcional
ao deslocamento da haste. Nesta mesma etapa, a presso interna entre o pisto e a
vlvula de p diminui, e esta vlvula se abre permitindo a passagem do fluido para
interior da camisa.
No curso descendente (Figura-A.2), imediatamente aps o movimento
ascendente, a vlvula de p se fecha; e logo a seguir o contato originado entre o pisto e
o fluido faz a vlvula de passeio abrir permitindo o enchimento do pisto. No final do
curso descendente um novo ciclo iniciado.
75

Figura A.2 Cursos ascendente e descendente


Fonte: Nascimento, 2005

ANEXO II ESTIMATIVA DO VALOR DA DERIVADA


ECONMICA
Para o clculo da derivada, foram considerados os valores aproximados abaixo:
- preo mdio durante o ano de 2010, utilizando como referncia o leo do tipo WTI, de
US$ 80/barril (EIA, 2010);
- custo de extrao do leo de US$ 9,40/barril (Petrobras, 2010a);
- custo de compresso do gs de US$ 0,002/barril (dados estimados internamente na
Petrobras).
qO
Cg
0,002

=
= 0,000028
q gi P C Ext (80 9,40)
Como pode ser verificada, a derivada econmica apresenta um valor muito
prximo a zero devido ao alto valor atual do preo do barril petrleo. Portanto, a
diferena entre a derivada econmica e a derivada zero (mxima produo) esto
bastante prximas, mostrando que a alternativa entre otimizar o GL pela derivada
76

econmica ou pela derivada zero ter um efeito pequeno nos resultados apresentados no
programa de otimizao.

ANEXO

III

OTIMIZAO

RESOLUO
ATRAVS

DE

DO

UM

PROBLEMA

GRADIENTE

DE

REDUZIDO

GENERALIZADO.
Minimizar: y = 2 x1 4 x 2 + x12 + x 22 + 5
Sujeita a: f1 = x1 + 2 x 2 2
f 2 = x1 + x 2 4

Primeiro passo: Adio das variveis de folga para acomodar o problema no formato

requerido pelo algoritmo do GRG.


Minimizar: y = 2 x1 4 x 2 + x12 + x 22 + 5
Sujeita a: f1 = x1 + 2 x 2 + x3 2 = 0
f 2 = x1 + x 2 + x 4 4 = 0

Segundo passo: calcular o GR.

A equao para o GR desse problema construdo com base na equao 3-34


T

y
x
y
GR = 3
y
x1
x 4

f 1
Y x1

x 2 f 2
x1

f 1
x 2

f 2
x 2

f1
x
3
f 2
x3

f `1
x 4

f 2
x 4

Calculando as derivadas parciais:


y
= 2 + 2 x1
x1
f1
= 1
x1

y
= 4 + 2 x 2
x 2

f 1
=2
x 2

f1
=1
x3

y
=0
x3

y
=0
x 4

f 1
=0
x 4

77

f 2
=1
x1

f 2
=1
x 2

f1
=0
x3

f1
=1
x 4

A equao particular para o GR deste problema :


1

0
1 2 1 0
G R = [(2 + 2 x1 ) ; (4 + 2 x 2 )]

0
1 1 0 1
T

Onde:

1
b

1 2
=

1 1

1 3 2 3
=

1 3 1 3

1 0
Bnb =

0 1

O valor do GR para um ponto inicial X0(0, 0, 2, 4) :

0
1 3 2 3 1 0 2 3
G R = [(2) (4)]

=
0
1 3 1 3 0 1 8 3
T

Terceiro passo: Calcular o vetor de busca em funo de alfa particular para xnb

fornecido pela equao 3-35:


x3 = 2 + 2 3 1

x 4 = 4 + 8 3 1

Uma equao para x1 e x2 em termos de x3 e x4 necessria a fim de permitir derivar y


em funo de . Utilizando as restries desse problema a relao apresentada :
x 2 = 1 3( x3 + x 4 ) + 2

x1 = 1 3( x3 2 x 4 ) + 2

Substituindo x3 e x4 para ter a funo em termos de .


x 2 = 1 3[( 2 + 2 3 ) + (4 + 8 3 )] + 2 = 10 9
x1 = 1 3[ (2 + 2 3 ) 2(4 + 8 3 )] + 2 = 14 9

78

Quarto passo: Calcular o valor de alfa atravs da derivada da funo objetiva em um

ponto de mnimo, ou seja, quando a derivada igual a zero.


Substituio das variveis na funo objetiva:
y = 2( 14 9 ) 4( 10 9 ) + ( 14 9 ) 2 + ( 10 9 ) 2 + 5
y = (68 9 ) + (296 81 2 ) + 5

Localizao de um mnimo local:

dy
= (68 9) + 2(296 81 ) = 0 1 = 153 148
d
Quinto passo: Clculo de X1

Solucionando x1, x2, x3

x4 a partir do valor encontrado para 1. Assim, a primeira

iterao fica igual a:


X1 = (1.608; 1.149; 1.311; 1.243).
Sexto passo: a partir dessa etapa, o procedimento retorna ao segundo passo,

recalculando um novo vetor de busca a partir dos valores das variveis encontrados na
primeira iterao.
Recalculando um novo GR.

0
G R = [[ 2 + 2(1.608)]
0

1 2 1 0 0.973
[ 4 + 2(1.149)]]

=

1 1 0 1 0.243

Os novos vetores de busca para as variveis x1, x2, x3 e x4 so:


x3 = 1.311 + 0.973

x 4 = 1.243 0.243

x1 = 1.608 + 0,486

x 2 = 1.149 0.243

79

Inserindo as equaes acima na funo objetiva, determina-se um novo valor para alfa.
y = 2(1.61 + 0.468 ) 4(1.149 0.243 ) + (1.61 + 0.486 ) 2 + (1.149 0.243 ) 2 + 5
A localizao de um novo mnimo atravs da derivada dy/d permite encontrar o 2.

2 = 1.705
Com o novo GR e o comprimento do passo 2, encontra-se o ponto X2
X2 = (0.781; 1.563; -0.348; 1.657).
Nesse caso, a primeira restrio violada (x3 = -0.348). Essa restrio ativada, para se
tornar uma igualdade, e o valor de 2 reduzido para ter essa varivel x3 igual a zero, ou
seja:
x3 = 1.311 + 0.973 2 = 0 2 = 1.347
Recalculando os valores para as outras variveis, a soluo do conjunto X2 respeitando
os limites do problema :
X2 = (0.955, 1.476, 0, 0.157).
Stimo Passo: O procedimento retorna novamente ao passo 2 para recalcular: o GRG, o

comprimento do passo, e por conseguinte, um novo ponto at conseguir convergncia


na soluo.
Xn = (1.2, 1.6, 0, 1.2)

80