XXIII Encontro Nac. de Eng.

de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

Algoritmos Evolucionrios na Otimizao de Alternativas para o

Desenvolvimento de Campos de Petrleo

Luciana Faletti Almeida (PUC-RIO) faletti@ ele.puc-rio.br

Marco A. Pacheco (PUC-RIO) marco@ele.puc-rio.br
Marley M. Vellasco (PUC-RIO) marley@ele.puc-rio.br

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

ENEGEP 2003 ABEPRO 1

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

objetivo a ser minimizada ou maximizada pelo processo. No problema em questo, a funo

objetivo a ser maximizada o Valor Presente Lquido (VPL), de acordo com Tupc,J. Y
(2002), que considera o volume de petrleo extrado. Devido complexidade do perfil de
produo de petrleo, necessria a utilizao de simuladores de reservatrio como parte
integrante da funo de avaliao para a estimativa deste volume.
Algoritmos genticos e culturais so mtodos de busca e otimizao, empregados na
soluo de problemas complexos ou com grandes espaos de solues, problemas estes de
difcil modelagem quando se aplicam mtodos de otimizao convencionais. Para esta classe
de problemas, esses algoritmos evolucionrios conseguem convergir para boas solues (ou
timas) em tempos aceitveis.
Neste trabalho proposto e avaliado um sistema de otimizao evolucionrio de
alternativas, onde uma alternativa corresponde ao nmero e a posio de poos injetores e
produtores, verticais ou horizontais, para desenvolvimento de um campo de petrleo.

2. Sistema de Otimizao de Alternativas

O sistema composto de trs mdulos principais: o mdulo otimizador com os
Algoritmos Evolucionrios (Gentico e Cultural), o Simulador de Reservatrios IMEX e o
mdulo de Clculo do Valor Presente Lquido. O Algoritmo Otimizador gera o conjunto de
variveis e parmetros que configuram a alternativa. Essa alternativa ento submetida ao
Simulador de Reservatrios que fornece a Curva de Produo que, por sua vez, servir para
calcular o Valor Presente Lquido (VPL). Para fechar a malha, o VPL calculado inserido no
Algoritmo Otimizador como valor da avaliao da alternativa (cromossomo). Na Figura 1, a
seguir, apresentada a arquitetura do sistema de otimizao desenvolvido.

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

Figura 1 Mdulos que compem o sistema

de otimizao evolucionrio

2.1 Algoritmo Gentico

Algoritmos Genticos (AG) so algoritmos probabilsticos que fornecem um
mecanismo de busca paralela e adaptativa baseado no princpio Darwiniano de sobrevivncia
dos mais aptos e na reproduo gentica, Michalewicz (1996). O mecanismo obtido a partir
de uma populao de indivduos (solues), representados por cromossomos (palavras
binrias, vetores, matrizes etc), cada um associado a uma aptido (avaliao da soluo no
problema), que so submetidos a um processo de evoluo (seleo, reproduo, cruzamento
e mutao) por vrios ciclos. Os componentes de um algoritmo gentico so: a representao
do cromossoma, os operadores genticos e a funo de avaliao.

ENEGEP 2003 ABEPRO 2

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

2.1.1 Representao do Cromossomo

A representao do cromossomo fundamental na modelagem do AG e deve descrever
o espao de busca relevante, codificando geneticamente a essncia do problema.
Para este problema o cromossomo tem um tamanho real varivel, de acordo com
Zebulum 2001, ou seja, seu comprimento sofre alteraes no decorrer da evoluo, sendo
interpretado como uma seqncia de genes que podem estar ativos ou inativos. Isto possibilita
que o algoritmo otimize a quantidade de poos que vai compor a alternativa. O cromossomo
ento formado por uma dupla estrutura, uma que contm a descrio da alternativa e uma
mscara de ativao dos poos. A mscara uma palavra binria que indica quais genes dos
cromossomos esto ativos: se o valor de uma posio da mscara for 1, o gene (poo)
referente a esta posio levado em considerao; caso contrrio, se o valor for zero, o gene
referente aquela posio no considerado na avaliao. Cada gene tem informaes
referentes localizao dos poos, e essas informaes so representadas por nmeros
inteiros.
A seguir, descrito a estrutura do cromossomo usado na otimizao de alternativas em
um campo de petrleo.
Um cromossomo do AG representa uma alternativa, isto uma distribuio de poos.
Cada gene possui informaes sobre a posio (i, j, k), direo e comprimento (z) de
poos. Todas as informaes sero representadas como inteiros.
A primeira metade do cromossomo contm informaes dos poos verticais, sendo
que os primeiros so poos verticais injetores e os seguintes, poos verticais
produtores. Para poos verticais apenas as informaes de localizao i,j so levadas
em conta, pois basta saber a posio i,j e perfurar em direo a k para todo k vlido.
A segunda metade do cromossomo contm informaes de poos horizontais, sendo
que os primeiros so poos horizontais injetores e os seguintes, poos horizontais
produtores. Para poos horizontais todas as informaes contidas no gene so levadas
em considerao, j que para um poo horizontal precisa-se saber qual direo o poo
ir percorrer, i ou j, e qual a distncia percorrida, z, que representa o comprimento do
poo.
Mscara de Ativao

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

Injetores Produtores Injetores Produtores

Figura 2 Representao do cromossomo

2.1.2 Operadores Genticos

Neste trabalho foram utilizados os seguintes operadores: Crossover Aritmtico,
Michalewicz (1996); Mutao Uniforme, Michalewicz (1996); Mutao LocalMove; Mutao
AddWell; Mutao FlipWell; Mutao AddFiveSpotWell;
Dentre os operadores utilizados, quatro foram criados especificamente para o problema:

ENEGEP 2003 ABEPRO 3

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

LocalMove o valor do gene do cromossomo sofre um deslocamento de 1 para mais ou

para menos, dependendo de uma varivel aleatria. Essa mutao tem como objetivo fazer
pequenos deslocamentos com os poos testando assim a regio ao redor dos poos.
AddWell e FlipWell atuam sobre a mscara do cromossomo: a primeira no sentido de
ativao dos genes (mudana 01 na mscara de ativao) e a segunda no sentido tanto de
ativao como de desativao de genes (mudana 01 ou mudana 10 na mscara de
ativao).
AddFiveSpotWell tem por objetivo ativar uma configurao de poos conhecida como
FiveSpot. Essa configurao de poos composta por quatro poos injetores formando um
quadrado, e um poo produtor no centro deste quadrado. Na opinio de especialistas, esta
estrutura costuma oferecer bons resultados quando inserida em locais adequados.

2.1.3 Avaliao de Alternativas

Como vimos, um cromossomo representa uma alternativa a ser avaliada e esta avaliao
ocorre da seguinte forma:
A alternativa inserida no simulador, IMEX;
O simulador fornece um perfil de produo do campo dependendo da configurao
encontrada e do tempo simulado em anos;
A partir do perfil obtido, calcula-se o Valor presente Liquido do Reservatrio;
O Valor Presente Lquido calculado a partir da diferena do valor presente e do custo
de desenvolvimento, conforme Tupc (2002):
VPL = VP D
onde VP representa o valor presente do campo e D o custo de desenvolvimento. O Custo de
Desenvolvimento representa os investimentos feitos para que o reservatrio possa comear a
produzir.

2.2 Algoritmo Hbrido Gentico-Cultural

Nos ltimos anos tem se pesquisado um modelo de processos de evoluo cultural
baseado numa perspectiva micro evolucionria, em termos de transmisso de comportamento
e caractersticas entre indivduos de uma mesma populao, e numa perspectiva macro
evolucionria, em termos de formao de crenas generalizadas fundadas em experincias
individuais, conforme Robert (2002) e Robert and Chung (1996).
Algoritmos Culturais (AC) consistem de trs componentes, conforme Robert and Chung
(1996). O primeiro a populao a ser evoluda e o mecanismo para avaliao, reproduo e
modificao. O segundo o espao de crena que representa a influncia que est sendo
adquirida pela populao durante o processo de soluo do problema. O terceiro o protocolo
de comunicao que usado para determinar a interao entre a populao e o espao de
crena.
No modelo utilizado neste estudo, o componente populao do AC representado e
evoludo por um AG, modelado conforme a seo 2.1 deste artigo.
O Espao de Crenas composto por padres que representam as caractersticas dos
melhores indivduos da populao. O espao de crena se comporta como um cromossomo,
que ao invs de ter um valor para cada informao de cada gene, possui um ou mais intervalos

ENEGEP 2003 ABEPRO 4

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

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.

2.3-Outras tcnicas utilizadas na evoluo

A seguir, so descritas algumas tcnicas especficas ao problema, desenvolvidas no
sentido de aumentar o desempenho do sistema.

2.3.1 Invalidao de poos

Durante a evoluo do AG, pode ocorrer a gerao duplicada de poos verticais e/ou
horizontais nas mesmas posies, assim como podem ser gerados poos horizontais com
posies que coincidem. Para que esse tipo de alternativa no seja considerada, o cromossomo
avaliado por um filtro que valida os poos e todas as posies geradas pelo AG.
Esse filtro segue a seguinte regra: poos horizontais tem prioridades sobre poos
verticais, isto significa que, em caso de ser gerado um poo horizontal que contenha em
uma(s) de suas posies um poo vertical, o poo vertical invalidado (sua mscara
desativada) e, portanto, no considerado na avaliao. Com relao ao cruzamento ou
superposio de poos horizontais, a regra levar sempre em considerao o tipo de poo, ou
seja, poos horizontais injetores tem prioridades sobre os produtores. Assim, se dois poos
horizontais se cruzam, o injetor mantido na alternativa, enquanto que e o produtor
desativado. No caso dos poos serem do mesmo tipo, o segundo desconsiderado. A mesma
regra vlida para poos verticais.

2.3.2 Tratamento das reas Nulas

Na descrio de um campo de reservatrio a ser explorado pelo simulador de
reservatrio IMEX, podemos encontrar uma seo chamada *NULL que representa clulas do
grid do reservatrio que no possuem condies para serem exploradas. Nessas reas no
deve haver poos, pois o simulador no consegue avaliar a alternativa. Nesses casos, o
algoritmo trata a rea invlida como restrio de valores dos genes na inicializao da
populao e tambm na aplicao dos operadores de crossover e ou mutao, impossibilitando
que poos sejam criados nas reas imprprias para explorao.

ENEGEP 2003 ABEPRO 5

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

2.3.3 Uso de Conhecimento Prvio

O sistema desenvolvido permite a utilizao de conhecimento prvio, ou seja, possvel
aproveitar alternativas fornecidas por especialistas ou alternativas obtidas a partir de
resultados de experimentos anteriores, e evoluir a partir delas, introduzindo estas alternativas
na populao inicial do novo experimento. Esse conhecimento considerado como Semente
Inicial, adicionada primeira populao. Isto importante quando a avaliao tem um alto
custo computacional pois, alm de possibilitar a adio do conhecimento do especialista,
permite iniciar novos experimentos a partir de resultados obtidos em experimentos anteriores,
favorecendo encontrar melhores solues.

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

Nos testes com o campo-1, as populaes iniciais foram inicializadas aleatoriamente

sem uso de conhecimento prvio, conforme descrito na seo 2.3.3. No campo-2 utilizou-se
conhecimento prvio somente no teste 2, onde a populao foi iniciada utilizando como
semente inicial a melhor configurao encontrada no teste 1 deste campo.

ENEGEP 2003 ABEPRO 6

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

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

Figura 3 Configurao teste 4 campo-1 Figura 4 Grfico Score teste 4 campo-1

Score

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

Figura 5 Configurao do teste 3 campo-2 Figura 6 Grfico Score do teste 3 campo-2

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

ENEGEP 2003 ABEPRO 7

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

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.

ENEGEP 2003 ABEPRO 8

 XXIII Encontro Nac. de Eng. de Produo - Ouro Preto, MG, Brasil, 21 a 24 de out de 2003

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.

ENEGEP 2003 ABEPRO 9