Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Determinar a localizao de novos poos de petrleo em um reservatrio um
problema complexo que depende de propriedades do reservatrio e critrios econmicos,
entre outros fatores. O objetivo deste trabalho avaliar o desempenho de Algoritmos
Genticos e Algoritmos Culturais como mtodos de apoio deciso na otimizao de
alternativas de produo em reservatrios petrolferos, onde uma alternativa consiste de n
poos pi do tipo ti, ti [injetor, produtor, vertical, horizontal], localizao (xi, yi, ki) e
dimenso zi (no caso de poo horizontal) de cada poo no reservatrio petrolfero,
conhecido e delimitado. Um sistema composto de trs mdulos o otimizador com os
Algoritmos Evolucionrios (Gentico e Cultural), o Simulador de Reservatrios IMEX e o
mdulo de Clculo do Valor Presente Lquido, foi aplicado a dois reservatrios diferentes. O
primeiro, homogneo de forma paraleleppeda com dimenses 30 x 30 x 1; o segundo, no
homogneo com dimenses 33 x 57 x 3. Os resultados obtidos neste trabalho apresentaram
alternativas com altos VPLs, consistentes na viso de especialistas, indicando a viabilidade
da utilizao de Algoritmos Genticos e Algoritmos Culturais no desenvolvimento de campos
de petrleo.
Palavras Chave: Algoritmo Gentico, Algoritmo Cultural, Otimizao, Engenharia de
Reservatrio.
1. Introduo
Na engenharia de reservatrios uma tarefa inicial desenvolver uma estratgia para
alcanar a produo da maior quantidade de hidrocarboneto possvel dentro dos limites fsicos
e econmico existentes,Bittencourt(1997) e Baris (2000). A soluo deste tipo de problema
envolve caractersticas do reservatrio e dos poos para a sua explorao. Do reservatrio
necessrio conhecer suas dimenses. Como o reservatrio representado por um grid,
precisa-se conhecer o nmero de clulas que compem as dimenses i,j,k, bem como o
tamanho de cada clula.
Para um poo, temos a varivel tipo de poo que pode ser vertical ou horizontal, injetor
ou produtor. Para um poo vertical necessrio definir sua localizao no reservatrio, ou
seja sua posio i,j e sua funo (injetor ou produtor). Seu sentido de crescimento sempre na
direo k e o seu comprimento corresponde a todas as camadas de k vlidas para explorao.
J para um poo horizontal preciso definir sua posio inicial i, j, k dentro do reservatrio,
seu comprimento z, sentido de crescimento, podendo ser na direo i ou j, e sua funo,
injetor ou produtor.
Encontrar uma alternativa de explorao de um campo de petrleo consiste em
determinar as caractersticas dos poos que atendam aos objetivos do problema. Para que um
processo de otimizao possa ser aplicado nesse problema, necessrio definir uma funo
Dimenso do Grid de
Reservatrio
Algoritmo de
Otimizao Simulador de
Alternativa Reservatrios
AG ou AG / AC
Operadores (IMEX)
Poos produtores
Plataforma
Poos
i j t
Dimenso
das Clulas Curva de Produo
Avaliao do Grid Q(t )
bbs/t
T AB
Clculo do
VPL = V D VPL Preo do
Petrleo
0 1 0 1 1 0 1 0
Cromossomo
Verticais Horizontais
X Y X Y X Y X Y XYZ XYZ XYZ XYZ
Dir Dist Dir Dist Dir Dist Dir Dist
de valores. Estes intervalos influenciam a avaliao dos indivduos da populao: caso algum
indivduo tenha o valor de um gene dentro de um dos intervalos, este indivduo ganha um
bnus.
O protocolo de comunicao composto por dois processos: Processo de Votao e
Processo de Promoo.
O processo de Votao escolhe os melhores indivduos de uma gerao do AG para que
estes influenciem o espao de crena. Os melhores indivduos so escolhidos em funo de
um parmetro chamado pBest que representa o percentual dos melhores indivduos da
populao que iro influenciar o Espao de Crena.
O processo de Promoo determina como crenas atualizadas so capazes de influenciar
um componente da populao. Isto ocorre atravs da alterao das avaliaes dos indivduos
da populao determinada pelo parmetro bnus que possui um valor que premiar a
avaliao dos cromossomos que possuem genes com valores dentro dos intervalos do espao
de crena.
3 Estudo de Caso
Foram utilizados dois reservatrios diferentes, campo-1 e campo-2, para a avaliao do
sistema. O campo-1 possui forma paraleleppeda, homognea, descrito em forma de um grid
com dimenses 30 X 30 X 1. Todas as clulas do grid possuem o mesmo tamanho e so
consideradas ativas para a perfurao. O campo-2 possui dimenses de um retngulo, mas no
possui a forma de um bloco homogneo como o campo-1. O campo-2 descrito em forma de
um grid com dimenses 33 X 57 X 3, onde todas as clulas do grid esto ativas, porm
apresentam tamanhos diferentes.
A tabela 1 apresenta os parmetros dos testes utilizando AG e AC.
Teste AG Campo-1
Tipo de Geraes Populao Genes SteadyState pWell Bonus pBest Operador
Poos
1 Vert/Hori 80 100 80 0.4 0.1 - - Todos
2 Vert/Hori 150 100 80 0.4 0.1 - - Todos
Teste AG / AC Campo-1
Tipo de Geraes Populao Genes SteadyState pWell Bonus pBest Operador
Poos
3 Vert/Hori 80 100 80 0.4 0.1 3 0.1 Todos
4 Vert/Hori 150 100 80 0.4 0.1 3 0.1 Todos
Teste AG Campo-2
Tipo de Geraes Populao Genes SteadyState pWell Bonus pBest Operador
Poos
1 Vert/Hori 150 100 80 0.4 0.3 - - Todos
2 Vert/Hori 80 80 80 0.4 0.3 - - Todos
Teste AG / AC Campo-2
Tipo de Geraes Populao Genes SteadyState pWell Bonus pBest Operador
Poos
3 Vert/Hori 150 100 80 0.4 0.3 3 0.1 Todos
4 Vert/Hori 50 50 80 0.4 0.3 3 0.2 Todos
5 Vertical 100 50 50 0.4 0.3 3 0.1 Todos
6 Horizontal 100 50 50 0.4 0.3 3 0.1 Todos
Tabela 1 Parmetros da Evoluo
3.1 Resultados
A tabela 2 contm os melhores VPLs e o nmero de poos encontrados em todos os
testes. Em seguida so mostradas as configuraes encontradas em dois testes, bem como o
grfico de desempenho do algoritmo de otimizao (melhor VPL por gerao).
Campo-1 Campo-2
Algoritmo Gentico Algoritmo Gentico
Teste Tipo de Poos N Poos Melhor VPL Teste Tipo de Poos N Poos Melhor VPL
1 Vert/Hori 19 I/ 26 P 1.3 * 109 1 Vert/Hori 5 I/6 P -1.38 * 107
9
2 Vert/Hori 20 I/ 20 P 1.57 * 10 2 Vert/Hori 6 I/12 P 9.47 * 107
Algoritmo Gentico / Algoritmo Cultural Algoritmo Gentico / Algoritmo Cultural
Teste Tipo de Poos N Poos Melhor VPL Teste Tipo de Poos N Poos Melhor VPL
3 Vert/Hori 19 I/ 19 P 1.5 * 109 3 Vert/Hori 5 I/ 11 P 1.55 * 108
9
4 Vert/Hori 15 I/ 16 P 1.77 * 10 4 Vert/Hori 5 I/ 11 P 1.7 * 108
- - - - 5 Vertical 15 I/16 P -1.9 * 108
- - - - 6 Horizontal 1I/2P 1.9 * 108
Tabela 2 Resultados dos melhores VPLs encontrados nos testes
Score
2000000000.0000
1800000000.0000
1600000000.0000
Avaliaes
1400000000.0000
1200000000.0000
1000000000.0000
800000000.0000
600000000.0000
400000000.0000
1 11 21 31 41 51 61 71 81 91 101 111 121 131 141
Geraes
164000000.00
144000000.00
Avaliaes
124000000.00
104000000.00
84000000.00
64000000.00
44000000.00
1 12 23 34 45 56 67 78 89 100 111 122 133 144 155
Geraes
4.3 Discusso
Os resultados obtidos com os testes apontam, atravs das curvas score, uma otimizao
consistente durante a evoluo e indicam que as tcnicas de Computao Evolucionria,
Algoritmos Genticos e Algoritmos Culturais, so adequadas otimizao do problema de
alternativas para desenvolvimento de campos de petrleo.
A hibridizao do Algoritmo Gentico com Algoritmos Culturais oferece um melhor
desempenho (melhores resultados com um menor nmero de geraes), alcanando
alternativas que apresentaram maiores valores de VPL. Comparando-se os testes realizados
com o campo-1 e com o campo-2, observa-se que o algoritmo hbrido chega a melhores
valores de VPL com um mesmo nmero de geraes. A razo para isto, que na evoluo
cultural no se considera apenas cromossomos promissores mas tambm genes promissores,
evitando assim que informaes de bons genes, contidos em cromossomos no to bem
avaliados, sejam desperdiadas.
Os testes 5 e 6, feitos com o campo-2, foram propostos por um especialista, e os
resultados encontrados foram compatveis com o esperado. No teste 6, onde se tem somente o
uso de poos horizontais, os valores de VPL encontrados foram mais altos do que no teste 3 e
no teste 5, onde se tem uso de poos verticais. Isto ocorre porque o uso de poos horizontais
permite uma maior obteno de leo a um custo de perfurao relativamente menor.
Outro requisito importante quanto proporo do nmero de poos injetores e
produtores, observado por um especialista, foi alcanado nos testes. Os resultados indicam
que o nmero de poos injetores nunca maior que o nmero de poos produtores, no
mximo existe uma proporo de 1 para 1.
5 Concluses
Os resultados encontrados indicam de forma promissora que as tcnicas de computao
evolucionria usadas (AG / AC) podem se tornar boas ferramentas de apoio para encontrar
melhores alternativas para o desenvolvimento de um campo de petrleo.
A especificao do sistema proposto compreendeu a representao de alternativas de
explorao, a funo de avaliao considerando volume de leo e o custo de produo,
operadores genticos, heursticas fornecidas por especialistas e algoritmos hbridos.
O modelo consegue tratar vrios aspectos importantes do problema como, a criao de
poos verticais e ou horizontais, a delimitao do nmero mximo de poos, a identificao
automtica do nmero de poos timo, a gerao de somente solues vlidas, evitando
solues indesejveis, a considerao da existncia de reas imprprias para explorao
dentro dos limites do grid do reservatrio, a possibilidade da utilizao de conhecimento
prvio para evoluir a partir dele. Isto refora a utilidade desses algoritmos como uma
ferramenta de apoio deciso.
Mesmo com a convergncia mais rpida, alcanada a partir da hibridizao do AG com
AC, o sistema apresenta um alto tempo de execuo; em mdia cada experimento consumiu
15 horas num PC de 850MHz., isto devido principalmente ao uso do simulador.
Este projeto de pesquisa prossegue buscando um maior desempenho do sistema atravs
de 3 principais iniciativas: processamento paralelo, uso de co-evoluo e um sistema hbrido
neuro-fuzzy. Na evoluo de forma paralela, utilizam-se vrios computadores executando
simuladores de reservatrios, capazes de avaliar vrias alternativas (cromossomos)
simultaneamente. A Co-Evoluo introduz noes explcitas de modularidade nas solues
para que elas disponham de oportunidades razoveis de evoluir na forma de subcomponentes
co-adaptados. Numa outra linha de pesquisa, um aproximador de funo est sendo
desenvolvido para inferir a resposta do simulador de reservatrios, reduzindo-se
significativamente o tempo de processamento requerido. O uso de modelos de aprendizado
Neuro-Fuzzy e Regresso Simblica por Programao Gentica para aproximar a funo de
produo, atualmente obtida apenas por simulao, uma proposta promissora. Para isso,
ser necessrio treinar tal sistema com exemplos calculados pelo simulador. Durante a
evoluo, o sistema de inferncia forneceria boa parte das avaliaes necessrias num tempo
muitssimo menor.
6 Bibliografia
Bittencourt, A. C., and Horne, R. N (1997) - Reservoir Development and Design Optimization, SPE 38895
Annual Technical Conference and Exhibition, San Antonio, Texas, October 5-8.
Baris Guyaguler, Roland Horne, Leah Rogers, Jacob J. Rosenzweig (2000) - Optimization of Well Placement in
a Gulf of Mexico Water Floooding Project, SPE 63221 Annual Technical Conference and exhibition, Dallas,
Texas, October.
Tupc,J. Y (2002) - Selection of Alternatives for oil Field Development by Genetic Algorithms. Engenharia
Trmica , Programa Interdisciplinar em Engenhaia do Petrleo e Gs Natural. RETERM. Edio
Especial,n.2.2002.issn-1676-1790.
IMEX (2000) Advanced OI/Gas Reservoir Simulator version 2000 Users Guide. Computer Modelling Group
LTD.
Goldberg, David E (1989) - Genetic Algorithms in Search, Optimization, and machine Learning, Addison-
Wesley Publishing Company.
Michalewicz, Zbigniew (1996) - Genetic Algorithms + Data Structures = Evolution Programs, Springer Verlag,
USA.
Ricardo Salem Zebulum, Marco Aurlio C. Pacheco, Marley Maria B. R. Vellasco (2001) - Evolutionary
Electronics: Automatic Design of Electronic Circuits and Systems by Genetic Algorithms, CRC Press, Boca
raton, Florida, ISBN: 0849308658.
Robert G. Reynolds (2002) - An Introduction to Cultural Algorithms, 2002 World Congress on Computational
Intelligence.
Robert G. Reynolds, and ChanJin Chung (1996) - A Testbed for Solving Optimization Problems Using Cultural
Algorithms. Evolutionary Programming V: Proceedings of the Fifth Annual Conference on Evolutionary
Programming, San Diego, CA, USA. MIT Press, 1996, ISBN 0-262-06190-2.