Escolar Documentos
Profissional Documentos
Cultura Documentos
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
INTRODUO
OTIMIZAO ROBUSTA
Rd = R1 , R2 , , RN R
T
(1)
(2)
incorporao da varincia dos resultados entre outras abordagens (Van Essen et. al. , 2009;
Bertsimas et. al., 2011). Seguindo o trabalho de Van Essen et al (2009) e Yasari et al. (2013),
a funo objetivo na otimizao robusta, JRO, contando com incertezas representada pelas
mltiplas realizaes, pode ser definida da seguinte maneira:
J RO = E [ J ( x , d )] r [ J ( x , d )] E [ J ( x , d )] = J =
d
onde E [ J ( x , d ) ] = J =
1
NT
NT
1
NT
J ( x , )
i =1
(3)
NT
J ( x , )
i =1
equiprovveis, a funo objetiva aqui utilizada pode ser escrita como segue (Yasari et al.,
2013):
max J RO = J r
2
1 N
J ( x , ) J )
(
NT 1 i =1
T
(4)
RR = {R1 , R2 , , RNR } Rd = R1 , R2 , , RN R
T
(5)
2
1 N
J ( x , Ri ) J )
(
N R 1 i =1
R
J =
1
NR
NR
J ( x, R )
i =1
(6)
A funo VPL pode ser vista como uma forma de soma ponderada das funes produo
acumulada de leo e injeo acumulada de gua.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
nt
VPL = f (q ) = [
t =1
1
F (q t )]
(1 + d ) t
(7)
onde q = q1T qT2 qTnt o vetor das mximas vazes nos poos para todos os ciclos de
T
controle; qt = q1,t qnw ,t o vetor das mximas vazes nos poos no ciclo de controle t; d
a taxa de desconto e t o tempo no fim do t-simo ciclo de controle. O fluxo de caixa no
ciclo de controle t, que representa a receita do petrleo menos o custo da injeo e da
produo de gua, dado por:
(8)
ALGORITMO DE OTIMIZAO
Nas ltimas dcadas foram alcanados grandes progressos nos softwares e hardwares
computacionais o que melhorou muito a velocidade da simulao de reservatrios. Entretanto,
a viabilidade de recursos computacionais continua sendo um fator limitante para vrios tipos
de otimizao de reservatrio. O uso de modelos substitutos, tais como Krigagem, RBF, redes
neurais, tem sido sugerido para reduzir o nmero de simulaes requeridas na otimizao
(Afonso et al., 2008; Naidu, 2004; Gutmann, 2001; Forrester et al., 2008).
No presente trabalho, ser utilizada uma abordagem de ajuste de dados, que por sua vez
dispe de diversos modelos de ajustamento, dos quais sero aqui utilizadas as funes de base
radial (Gutmann, 2001; Forrester, et al., 2008), dado que em estudos anteriores (Pinto, 2014)
se mostrou mais adequado ao tipo de problema abordado.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
3.1
Tcnica de amostragem
=
i =1 j =i +1
m 1
(x
xi ) + ( y j yi )
2
(9)
onde m o nmero total pontos da amostra. A amostra LHS que d o valor mnimo para
a amostra selecionada.
3.2
f ( x ) = p ( x ) +
i ( x xi ),
x n
(10)
i =1
onde x i o isimo dos nc centros das funes de base e um vetor contendo os valores das
prprias funes de base , avaliados na distncia Euclidiana entre um ponto x e o centro
x i das funes de base, r = x xi . Uma RBF pode ser definida como uma soma ponderada
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
f ( x ( j ) ) = y ( j ) , j = 1,..., n
(11)
( x ) = 0,
i =1
j = 1,..., g
(12)
(12) podem ser escritas em forma de matriz, como (Wild, et al., 2008):
A
PT
P F
c = 0
0
(13)
3.3
f k ( x )
Sujeito :
g ik ( x ) 0, i = 1, , m
xl xlk x xuk xl ,
(14)
k = 0, 1, 2, , k max
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
(15)
xlk = xck k 2
Onde
xuk = xuk + k 2
(16)
Etapas
SAO
1.
2.
3.
4.
5.
6.
7.
8.
9.
Descrio
Assumir o ponto e tamanho inicial da regio de confiana RC;
Gerar amostras no interior da regio de confiana;
Calcular as funes objetivo e restries reais nas amostras;
Construir o modelo substituto para as funes objetivo e restries no
lineares;
Otimizar o problema dentro da RC usando as funes aproximadas sujeitas
a restries no lineares aproximadas e a restries lineares originais;
Recalcular as funes objetivo e restries reais no ponto timo encontrado
no passo 5;
Checar os critrios de convergncia, se convergir, para;
Manter/reduzir/aumentar a nova sub-regio de acordo com a acurcia do
modelo aproximado comparado funo verdadeira e valores das
restries;
Voltar para a Etapa 2.
( x k ) f ( x k ) g(
x
)
g
(
x
)
f
c
*
c
*
k = min
(17)
k ,
= 2 k ,
se k 0.25,
se 0.25 < k < 0.75 ou k > 1.25,
(18)
se 0.75 k 1.25.
(19)
= xck , se k 0 .
CASOS DE ESTUDO
4.1
Modelo Egg
q p ,t
Q l. max
, p P ; x p I ,t =
q p ,t
Q inj. max
, pI .
(20)
onde qp,t a vazo mxima do poo p (produtor (P) ou injetor (I)) no intervalo de tempo t,
Ql. max a vazo de produo total mxima de lquidos permitida para a plataforma, Qinj. max
a vazo de injeo total mxima de gua permitida para a plataforma.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
Malha de Simulao
Blocos Ativos
Porosidade
Compressibilidade da Rocha a 200 kgf/cm
Presso de Saturao (Psat)
Viscosidade a Tres , Psat
leo in place
Tempo de concesso
60x60x7
25200
20%
1x1010 (kgf/cm)1
400 kgf/cm
5 cP
8.54922 x 105 m
10 anos
Tipo
BHP (kPa)
WCUT
Raio (m)
Geofac
Wfrac
Skin
Vazo mxima de lquido, por poo
(m/d)
Vazo mxima de lquido, plataforma
(m/d)
Produtor
Min 39500
0.87
0.1
0.37
1
0
120
Injetor
Max 42000
0.1
0.37
1
0
79.5
400
440
O fator de risco r da Eq. (6) foi adotado 0.5 (Yasari & Pishvaie, 2015), sendo ento
considerado um fator avesso ao risco.
Foram consideradas trs estratgias de produo diferentes, seguindo as abordagens
propostas por van Essen et al. (2009) e Yasari et al. (2013), so elas: Controle Reativo,
Otimizao Nominal e Otimizao robusta.
A performance de cada estratgia avaliada usando a funo objetivo VPL, da Eq. (7), e
mostrada atravs de boxplot (ou diagrama de caixa), mostrado na Figura 2, onde o eixo
vertical representa a funo de interesse, no caso o VPL, e o eixo horizontal um fator de
interesse, a caixa do diagrama contm a mediana (Q2), trao vermelho, o quartil inferior (Q1),
onde 25% das observaes so menores que Q1, e o quartil superior (Q3), onde 75% das
observaes so menores que Q3. A Figura 6 apresenta o boxplot destas trs abordagens para
o modelo Egg. Os dados econmicos necessrios para o clculo do VPL so mostrados na
Tabela 4.
Tabela 4. Dados econmicos do modelo Egg
Varivel
Preo do leo ($/m)
Custo de produo de gua ($/m)
Custo de injeo de gua ($/m)
Taxa de desconto (%/ano)
Valor
126
19
6
0
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
Figura 2. Boxplot
N de Realizaes
20
15
10
0
32
33
34
35
36
VPL (x1e6)
37
38
39
40
como variveis de projeto, uma vez obtido o controle de vazes timo, essas vazes so
propagadas em todas as 100 realizaes.
enquanto o desvio padro maior, como esperado, visto que o fator de risco pondera o desvio
padro da funo objetivo da Eq. (6).
Uma comparao dos histogramas das otimizaes robustas aqui utilizadas mostrada na
Figura 10, onde mostra a eficincia da escolha do subconjunto de realizaes a partir da
otimizao nominal, barras azuis e vermelhas, em relao escolha a partir do controle
reativo, barras verdes.
Tabela 5. Mdia e desvio padro do VPL dos conjuntos original e reduzido
Conjunto original
Conjunto reduzido
Mdia (x106)
43.8655
44.3156
Figura 5. Campos de Permeabilidade das realizaes P10,..., P90, utilizadas na otimizao robusta.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
48
46
44
42
40
38
36
34
32
1
Figura 6. Boxplot do VPL (M$) dos casos: 1-Controle Reativo; 2-Otimizao Nominal; 3-Otimizao
Robusta
Figura 7. Histograma do VPL da otimizao robusta (azul), do controle reativo (verde) e da otimizao
nominal (vermelho)
45
40
35
30
45
40
35
30
Figura 10. Histograma do VPL da otimizao robusta a partir dos seguintes ranqueamentos: controle
reativo, verde; otimizao nominal com r = 0.5, vermelho; otimizao nominal com r = 0, azul.
4.2
Modelo UNISIM_I_MOD
em 13500 m/dia que corresponde a 1,5 vezes a vazo de lquidos do campo dos poos
produtores. Com essa configurao as variveis dos poos produtores assumem valores no
intervalo 0, 001 x p ,t 0,167 e as variveis ligadas aos poos injetores assumem valores no
intervalo 0, 001 x p ,t 0,37 .
O reservatrio altamente heterogneo, com baixas e altas zonas de permeabilidade,
como pode ser observado na Figura 11. Um conjunto de 500 cenrios geolgicos
equiprovveis do reservatrio foi disponibilizado (Gaspar, et al., 2013) e representa a
variedade de possveis estruturas geolgicas.
Tabela 6. Caractersticas do Reservatrio UNISIM
Malha de Simulao
Blocos Ativos
Porosidade
Permeabilidade horizontal (kh)
Permeabilidade vertical (kv)
Compressibilidade da Rocha a 200 kgf/cm
Presso de Saturao (Psat)
Viscosidade a Tres , Psat
leo in place
Tempo de concesso
81x58x20
36403
0% a 30%
1 a 1190 mD
2 a 1785 mD
5,3 x 106 (kgf/cm)1
210.03 kgf/cm
0.97 cP
1,3029 x 108 m
30 anos
Tipo
BHP (kgf/cm)
Raio (m)
Razo Gs leo de Formao (RGO)
(m/m)
Geofac
Wfrac
Skin
Vazo mxima de lquido, por poo
Vazo mxima de lquido, plataforma
Produtor
Min 36
0,156
Max 200
Injetor
Max 350
0,156
-
0,37
1
0
1500
9000
0,37
1
0
5000
13500
Varivel
Preo do leo ($/m)
Custo de produo de gua ($/m)
Custo de injeo de gua ($/m)
Taxa de desconto (%/ano)
Valor
25
5
2
9.3
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
Figura 11. Reservatrio UNISIM: Mapa de Permeabilidade e locao dos poos da primeira realizao
do conjunto de 500 realizaes.
As otimizaes feitas com este modelo segue a mesma metodologia adotada no modelo
Egg, anteriormente descrito.
A otimizao nominal foi feita utilizando-se a realizao correspondente ao P50. Para a
otimizao robusta foram utilizados os P10, P20, ..., P90 das realizaes a partir do VPL do
controle reativo, e a Eq. (6) como funo objetivo. A Figura 12 apresenta o boxplot do
modelo UNISIM. Nesta figura, pode ser observado que a otimizao robusta foi muito melhor
em relao ao caso nominal, o limite inferior do resultado da otimizao robusta superou o
quartil superior (Q3) do caso nominal. A Figura 13 mostra os histogramas do controle reativo
em barras verdes, da otimizao nominal em barras azuis, e o histograma da otimizao
robusta em barras vermelhas.
500
480
460
440
420
400
380
1
Figura 12. Boxplot do VPL (M$) do reservatrio UNISIM, casos: 1-Controle Reativo;
2-Nominal; 3 - Robusto
Uma melhora nos resultados da otimizao robusta pode ser encontrada fazendo o
ranqueamento a partir do resultado da otimizao nominal, desta forma, as realizaes so
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
500
490
480
470
460
450
440
430
1
Figura 14. Box plot do VPL (M$) do reservatrio UNISIM, casos Robusto a partir: 1do Controle Reativo; 2- da Otimizao Nominal; 3- do histrico de produo
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
CONCLUSES
Agradecimentos
Os autores agradecem o suporte financeiro do CNPq, da fundao CMG e da rede
temtica SIGER da Petrobrs.
REFERNCIAS
Afonso, S. M., Horowitz, B., & Wilmersdorf, R. B., 2008. Comparative Study of Surrogate
Models for Engineering Problems. ASMO-UK (Association for Structural and
Multidisciplinary Optimization in the UK), Bath, UK.
Bertsimas, Dimitris, Brown, D. B., & Caramanis, C., 2011. Theory and applications of robust
optimization.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
Capolei, A., Suwartadi, E., Foss, B., & Jrgensen, J. B., 2013. Waterflooding optimization in
uncertain geological scenarios. Computational Geosciences, 17(6), 991-1013.
Computer Modeling Group LTD., 2006. IMEX: User s Guide. . Calgary Canada.
Fedutenko, E., Yang, C., Card, C., & Nghiem, L., 2013. Optimization of SAGD Process
Accounting for Geological Uncertainties Using proxy Models. Presented at GeoConvention
2013: Integration, Calgary, Alberta.
Forrester, A., Sobester, A., & Keane, A., 2008. Engineering Design Via Surrogate Modelling:
A Practical Guide. 228 p. Chichester: Wiley, ISBN 0470060689.
Gaspar, A. T., Santos, A., & Schiozer, D., 2013. Caso de Estudo para Seleo de Estratgia
de Explotao de Reservatrio Baseado no Campo UNISIM-I. Campinas: Unicamp.
Giunta, A., 2002. Use of Data Sampling, Surrogate Models, and Numerical Optimization in
Engineering Design. Paper AIAA-2002-0538 in Proceedings of the 40th AIAA Aerospace
Sciences Meeting and Exhibit, Reno, NV.
Giunta, A., & Eldred, M., 2000. Implementation of a Trust Region Model Management
Strategy in the DAKOTA Optimization Toolkit. 8th AIAA/USAF/NASA/ISSMO Symposium
on Multidisciplinary Analysis and Optimization. AIAA-2000-4935. Long Beach, CA.
Gutmann, H. M., 2001. A Radial Basis Function Method for Global Optimization. Journal of
Global Optimization , 201227.
Keane, A. J., & Nair, P. B., 2005. Computational Approaches for Aerospace Design: The
pursuit of Excellence. 602 p. Hoboken: John Willey & Sons Inc., ISBN 0470855401.
Krogstag, J.A., 2015. Control-Switching Strategies for Reservoir Water-Flooding
Management. Master Project.
Naidu, S. L., 2004. Neural Network Surrogate Model For Multidisciplinary Design
Optimization. M. Tech. Dissertation, Indian Institute of Technology.
Pinto, J. W., 2014. Uso da Otimizao Sequencial Aproximada a Problemas Uni e
Multiobjetivos de Gerenciamento de Reservatrios. Dissertao de Mestrado. Universidade
Federal de Pernambuco, Recife, PE.
Silva, M. F., 2010. Estratgias de Aproximao para a Otimizao Estrutural. Dissertao de
Mestrado . Universidade Federal de Pernambuco, Recife, PE.
Van Essen, G. M., Zandvliet, M., Van den Hof, P., Bosgra, O., & Jansen, J., 2009. Robust
waterflooding optimization of multiple geological scenarios. SPE 102913-PA. SPE J. 14 (1) ,
202210.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016
Wild, S. M., Regis, R. G., & Shoemaker, C. A., 2008. ORBIT: Optimization by Radial Basis
Function Interpolation in Trust-Regions. Cornell University, Technical Report: #ORIE-1459,
To appear in SIAM Journal on Scientific Computing.
Yasari, E., Pishvaie, M. R., Khorasheh, F., Salahshoor, K., & Kharrat, R., 2013. Application
of multi-criterion robust optimization in water-flooding of oil reservoir. Journal of Petroleum
Science and Engineering , 109, 1-11.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016