Escolar Documentos
Profissional Documentos
Cultura Documentos
Caro leitor,
Nos meses de julho, agosto e setembro de 2011 divulgamos um conjunto de quatro newsletters com o
objetivo de divulgar a metodologia desenvolvida pela Genesis para planejamento e acompanhamento
das intervenções de poços. Estes informativos foram bem aceitos pela comunidade e, constantemente,
nos solicitam a sua reedição. Para atender estas solicitações preparamos a consolidação do texto
técnico, apresentado a seguir.
Prever não significa evitar o risco ou impedir o impacto, mas sim reconhecer sua probabilidade,
garantindo as condições para decisões que permitam manter os efeitos em níveis aceitáveis para o
negócio.
AFE Probabilística
A AFE probabilística pode ser obtida a partir de uma Base de Conhecimento bem estabelecida,
conforme figura abaixo.
O uso da AFE determinística tem levado a diferenças entre 20 e 35% do custo real para o custo
previsto [1]. Um estudo comparativo [2] da duração estimada de forma determinística e probabilística
com a duração real de dois poços executados em um campo com 27 poços perfurados no mar do norte
do Reino Unido demonstrou o melhor ajuste da AFE probabilística (figura 5).
Afinal, como sua companhia estima a duração e o custo de uma intervenção hoje? De forma
determinística ou probabilística? Fazem o uso da base de conhecimento?
Bibliografia:
[1] Hanschitz, M. “AFE (Authority for Expenditure) Generation Based on Risk Analysis and Time Versus
Depth Information from Similar Database Wells”, setembro 1997, Tese de Mestrado, University Leoben,
Austria
[2] Peterson, S.K.; Murtha J.A.; Schneider, F.F. “Risk Analysis and Monte Carlo Simulation Applied to
the Generation of Drilling AFE Estimates”, 1993, SPE 26339
Fim da Newsletter 1
Base de Conhecimento
Codificação de Operações
É muito difícil comparar uma intervenção com outra, mesmo tendo os mesmos objetivos e sendo
realizada no mesmo campo, mas as operações podem ser comparáveis entre si (Figura 2).
Uma estrutura que apresenta a definição de mais de 200 operações de poços obedece ao esquema
apresentado na figura 3:
Quando a informação contida no boletim diário é codificada de acordo com esta Estrutura de
Operações, criamos o conjunto de sementes estatísticas que podem ser comparadas entre si, gerando
a Base de Conhecimento para a análise de risco através da simulação de Monte Carlo.
Este modelo de Base de Conhecimento ganhou o prêmio de “Melhor inovação técnica” em um artigo [3]
no congresso Offshore Asia 2009.
O problema é como codificar informações diárias à medida em que são realizadas, com cerca de 200
opções de código, feitas por vários fiscais diferentes e esperar que a codificação tenha qualidade e
uniformidade que permita a comparação desejada. A figura 4 apresenta um fluxo de trabalho que
otimiza a codificação e formação da Base de Conhecimento.
Desta forma, a Base de Conhecimento estará pronta para subsidiar a estimativa da duração da sua
intervenção.
Você lembra os conceitos de distribuição probabilística e simulação de Monte Carlo, necessários para
formar os cenários de previsibilidade da duração de intervenções?
Esse será o assunto da nossa próxima newsletter.
Bibliografia:
[1] Nakagawa, E.; Damski, C.; Miura, K. “What is the source of Drilling and Completions Data”, SPE
93822
[2] Miura, K. “Um Estudo sobre a Segurança Operacional na Construção e Reparo de Poços Marítimos
de Petróleo”, 2004, Tese de Doutorado. Departamento de Engenharia de Petróleo, Faculdade de
Engenharia Mecânica, Universidade Estadual de Campinas.
[3] Miura, K.; Coelho, M.; Damski, C.; Martins, L. F. C.; Albuquerque, M. D. C.; Prudente, M. A.;
Nascimento, M. D.; Cordeiro, J. L. “Planning & Following up Well Completion & Workover Activities
using Ontology of Operations.” 2009, Offshore Ásia.
(este artigo recebeu o prêmio “Best Technical Innovation Award” no Congresso Ofshore Asia 2009 e foi
publicado na revista Offshore edição outubro/2009)
Aula de inglês. A professora explicava aos alunos a importância de se comunicar quando um aluno
argumentou que o mais importante é saber como obter comida. Para exemplificar, contou que quando
viajou para os Estados Unidos a primeira coisa que fez ao chegar, faminto, foi entrar em um McDonalds
e pedir "number one, please" (número um, por favor). O atendente respondeu, com um inglês
carregado de sotaque, um monte de coisas que ele não conseguiu entender. Pacientemente repetiu a
frase "number one, please" uma, duas vezes, até que o rapaz entendeu, tirou o ticket de venda e
indicou o valor a pagar. Assim, facilmente ele conseguiu receber e comer o mesmo que comprava no
McDonald’s no Brasil: um Big Mac com batata frita e refrigerante, exatamente como esperava.
Isto é um bom exemplo do que é ontologia: a organização do cardápio através de um conceito aceito
e conhecido pelos frequentadores McDonalds. Ou seja, a Opção No. 1 do McDonald’s é uma Ontologia
do Menu. Além de o cliente saber o que vai receber, o vendedor sabe o que entregar e o valor a cobrar.
O cozinheiro, por sua vez, através da mesma informação, segue o procedimento para montar o lanche
pedido. Este é o poder da ontologia: com conceitos em comum, vários envolvidos podem se comunicar
entre si e cada um realizar com precisão a parte da tarefa que lhes cabe.
Fim da Newsletter 2
Mostramos, nas duas newsletters anteriores, que a Base de Conhecimento requer uma Estrutura de
Operações uniformes que possibilite a comparação entre operações realizadas em diversas
intervenções e que possa ser utilizada em um processamento estatístico (Simulação de Monte Carlo)
para a previsão de duração de futuras intervenções, conforme mostrado na figura 1.
Distribuição Probabilística
A distribuição lognormal (figura 2) é assimétrica, ou seja, o valor mais provável (moda) se posiciona
nas menores durações. A área sob a curva à esquerda da moda é menor do que a área à direita,
indicando que ocorreram mais operações com duração superiores a moda do que operações com
duração inferior.
Este modelo é consistente com o que ocorre na prática porque existe um esforço para realizar a
operação no menor tempo possível (levando a moda para a esquerda), mas não é difícil ocorrer
anormalidades na operação que, em alguns casos, levam a duração para valores muito mais elevados.
Na figura 3 vemos um exemplo, dentre vários que temos encontrado em nossos trabalhos, do ajuste
desta distribuição à duração das operações de poço.
A Simulação de Monte Carlo (SMC) envolve o uso de funções matemáticas para analisar e simular
diversos cenários. O método pode ser aplicado em problemas de tomada de decisão que envolvem
risco e incerteza. Para operacionalizar a SMC, alguns passos básicos devem ser seguidos, como mostra
a figura 4.
Repetindo-se esta simulação milhares de vezes, obtem-se várias durações da sequência operacional
simulada formando o cenário de risco apresentado na Figura 5.
Figura 5: Ciclo desde a coleta dos dados até o cenário de risco da sequência operacional
A SMC produz várias estimativas para a duração da intervenção. Este conjunto de estimativas é
modelado tomando por base a distribuição de probabilidade de cada operação. Se tomarmos uma
simples soma dos valores estatísticos de cada operação, a incerteza final será maior do que se usarmos
a SMC, conforme figura 6.
Figura 6: Redução da incerteza pelo uso da SMC
É importante ressaltar que estipular valores determinísticos para a duração da intervenção não
representa ausência de incerteza. Pelo contrário, o valor determinístico desconsidera este aspecto. A
análise probabilística permite conhecer e gerir a incerteza da duração da intervenção e também
permite uma melhor decisão de negócio.
A AFE Probabilística
Com o cenário de risco operacional estabelecido, pode-se escolher entre uma probabilidade ou uma
faixa de probabilidades para calcular o custo da intervenção. Por exemplo, calculamos o custo para a
duração de poço com P50 ou informamos que o custo previsto estará contido na faixa entre P50 e P75.
Utilizamos a duração escolhida para cada operação e para cada fase completa e aplicamos os custos
contratuais dos insumos mais as regras de negócio da empresa (fórmulas de cálculo das quantidades
de insumos para o poço) para chegarmos ao custo total do poço para cada P escolhido. Desta forma,
transportamos a incerteza do tempo para o custo, incerteza esta minimizada pelo uso da Base de
Conhecimento.
Agora que se sabe como é elaborada a previsão de duração e custo da intervenção, é preciso
acompanhar a sua execução para avaliar o que está sendo realizado em cada operação em relação ao
seu histórico contido na Base de Conhecimento, permitindo girar o ciclo de melhoria contínua. Este será
o assunto da nossa próxima newsletter.
Fim da Newsletter 3
Avaliando a performance de cada operação em relação à Base de
Conhecimento
“While working for Anadarko Corp. few years ago as Tech Advisor, we used Genesis products extensively to
implement process improvement in drilling campaigns, including deep-water and ultra-deepwater
environments. During that period we measured significant savings to the tune of millions of dollars and
several days saved, per well, in time and cost across many well campaigns.”
Dr. A. Willie Iyoho, Shell Project and Technology, Houston
Uma outra aplicação da Base de Conhecimento, que é tão importante para a disciplina de capital
quanto a previsibilidade, é a melhoria contínua da execução das intervenções.
Para estabelecer um processo de melhoria devemos ter como insumo a medição do que foi realizado e
em seguida usarmos esta medição para calcular os indicadores-chave da execução da intervenção de
poço. Estes indicadores-chave vão suportar a tomada de decisão e as ações que provocarão a melhoria
que se pretende atingir. O modelo simplificado deste processo, permeando os níveis operacional, de
engenharia e gerencial, é apresentado na Figura 1.
O gráfico da Figura 2 mostra como os dados históricos de duração podem ser representados por
parâmetros estatísticos de uma distribuição lognormal. Essa distribuição de cada operação está contida
na Base de Conhecimento. A representação da distribuição é melhor visualizada usando o gráfico de
box plot, conforme a Figura 3.
Figura 2: As durações históricas de uma operação plotadas como uma distribuição lognormal
O gráfico box plot é interessante para avaliação das operações porque ele fornece visualmente dois
tipos de informações: performance e controle de processo. A performance é indicada pelo valor da
duração executada em relação a distribuição das operações já executadas (quartil de execução). A
indicação do controle do processo de execução da operação ao longo do tempo é representada pela
distância entre P90 e P10 ou, mais fácil de visualizar, pela altura do retângulo (veja a Figura 3).
Dado que uma operação atual tenha sido executada com uma determinada duração, indica-se em qual
quartil da distribuição probabilística esta operação ficou situada. Esta informação é transmitida ao
grupo de interesse por meio de um código de cores.
Figura 3: Representação da distribuição probabilística da duração da operação em um gráfico box plot e
o respectivo código de cores para indicação do quartil em que a duração da operação se situou.
A Figura 5 mostra uma comparação de um determinado tipo de intervenção. Esse tipo de intervenção é
representado por um conjunto de operações que, para fins de avaliação de performance, é fixado como
um conjunto de operações relevantes que sempre ocorrem neste tipo de intervenção. Essas operações
foram filtradas na Base de Conhecimento para um campo específico e para cada período. O tempo total
da intervenção para cada período é então mostrado na forma de box plot.
Figura 5: Avaliação da performance ao longo do tempo para a execução de uma intervenção de poço
composta por uma sequência de operações relevantes, em um campo específico.
Podemos notar que, a partir do 1º semestre de 2009, a execução da intervenção piorou em termos de
duração média e houve perda de controle do processo. O primeiro semestre de 2010 representou o
período de pior performance. Desde então, a execução começou um período de melhoria contínua,
tanto em duração média quanto em controle do processo, com potencial para atingir os mesmos
valores médios do 2º semestre de 2007.
Esta metodologia permite aprofundar a análise, estratificando a sequência operacional em box plot
para cada operação, para que se localize tanto aquelas que mais contribuíram para piorar quanto
aquelas que mais contribuíram para melhorar a performance. Estas informações auxiliam os
profissionais de engenharia e os gerentes nos processos de tomada de decisão que têm por objetivo a
melhoria contínua da execução da operação e, consequentemente, da intervenção.
Mostramos, nesta newsletter e nas anteriores, o ciclo completo que compõe a nossa metodologia.
Vocês poderão avaliar a sua aplicação em suas intervenções e obter os benefícios da previsibilidade de
resultados e da melhoria contínua da execução das intervenções de poço.
Oportunamente continuaremos nosso diálogo, trazendo a vocês artigos técnicos relacionados com esta
metodologia.
Fim da Newsletter 4