Professional Documents
Culture Documents
# IFES - COMAT
Av Vitria, 1729, Jucutuquara, Vitria - ES, CEP 29040-780
RESUMO
Dentre as atividades de grande importncia executadas na indstria petrolfera est a tarefa de
intervir em poos de petrleo a fim de que melhorem a sua produo. Essas intervenes so
realizadas por unidades mveis denominadas sondas de produo. O custo das sondas elevado o
que a torna um recurso restrito gerando uma perda considervel com a no produo dos poos
que esto aguardando a realizao da interveno solicitada. O presente trabalho apresenta uma
estratgia de resoluo para o problema de alocao de sondas aos poos usando a heurstica
Algoritmo Gentico combinada com a tcnica de melhoramento 2-opt, visando estabelecer uma
melhoria na perda de vazo dos poos atravs da obteno de um itinerrio otimizado para os
atendimentos efetuados pelas Sondas de Produo Terrestre. Ao final da implementao foram
executados testes e comparativos com outros trabalhos encontrados na literatura, cujos resultados
obtidos foram superiores, indicando um bom desempenho do algoritmo.
PALAVRAS CHAVE. Metaheursticas, Interveno em poos, Algoritmo gentico
ABSTRACT
Among the activities undertaken by the oil industry is a task to intervene in oil wells to ensure
that interventions are made to improve their performance, among other goals. Such interventions
are costly and there is a lack of probes that perform this type of work, operating to answer many
wells. This paper presents a strategy for solving using the heuristic Genetic Algorithm combined
with the 2-opt technique, hybridized with the method, to establish an improvement in the loss of
water from wells by obtaining an optimal route for visits made by Echo Production land. At the
end of the deployment tests were performed and compared with other studies in the literature to
explain the technical points of compliance employed here.
Tomando como exemplo a disposio de poos, como na figura 1, e dada a tabela 1 com os
dados sobre perdas de vazo e tempo de alocao, pode-se ilustrar o clculo do fitness (funo
objetivo) desse indivduo como segue.
i 0 1 2 3 4 5 6 7
Pi 10 1 7 15 30 2 3 1
ti 1 2 2 5 1 1 3 5
Tabela 1 Dados de referncia para exemplo do clculo de fitness
Assim o fitness, para o exemplo acima, calculado da seguinte forma: fitness = (30*1) +
(2*2) + (1*4) + (1*5) + (7*7) + (10*8) + (3*3) + (15*8) = 301.
Assim, tem-se uma primeira soluo a qual aqui chamada de soluo-matriz e que o
primeiro indivduo inserido na nova populao que est sendo criada. Essa soluo-matriz ento
recombinada com ela mesma (cruzamento assexuado) por meio da execuo do operador single-
3.3.2 Mutao
Para a mutao foram definidos trs operadores sendo que em um deles aplicado o
cruzamento assexuado onde usado o mtodo single-point adaptado, descrito anteriormente, a
mutao por inverso e a mutao aleatria descritos a seguir.
Mutao aleatria
No caso da mutao aleatria tem-se a seguinte situao:
a) define-se uma quantidade inicial de, no mximo, 10% do tamanho da seqncia de poos
em uma sonda;
b) sorteia-se uma posio aleatria que ser usada como base para a escolha do poo a ser
trocado;
c) para cada sonda sorteada mais uma posio aleatria e trocam-se os ndices dessa
posio com a posio sorteada para troca na mesma sonda;
d) repete-se o passo anterior at que seja atingida a contagem de mutaes estipulada.
Assim, tendo trs mtodos de mutao, foi definido o seu uso por sorteio, atravs do
mecanismo conhecido como roleta, da seguinte forma: para a mutao por inverso atribuda
uma probabilidade de 50% de ser executada, a mutao por cruzamento assexuado, usando o
single-point adaptado, possui uma probabilidade de 40%, em 5% atribuda a probabilidade de
usar uma combinao onde primeiro aplicada a mutao por inverso e, em seguida, o
cruzamento assexuado e, por fim, em 5% h a probabilidade de ser executado o mtodo de
mutao aleatrio.
SIM
A figura 9 esboa um exemplo bsico de como a tcnica melhor troca usada. Tomando
como base as primeiras comparaes feitas no sistema de Sondas X Poos numa situao em que
se tm trs sondas aplicadas a um conjunto de dez poos.
Efetua evoluo
Populao inicial gerada
INCIO (Reprodues e Mutaes)
NO
Executou o nmero Executa heurstica de
SIM mximo de iteraes? melhoramento 2-opt
FIM NO
Passou perodo
Ordena populao (50 determinado sem
Executou mximo de indivduos) NO SIM
operaes sem alterar o alterar o melhor?
SIM
melhor?
Aplica mutao
coletiva
Figura 10 Esquema de execuo do AG-2opt
4. Experimentos computacionais
Na implementao do algoritmo foi adotada a linguagem de programao JAVA e os testes
executados em um computador com processador Pentium IV, 2 GHz com 480 MB de RAM.
Os experimentos foram realizados com a massa de dados gerada e disponibilizada por Costa
(2005). Essa massa de dados possui instncias com 25, 50, 75, 100 e 125 poos e 1, 2, 4, 6, 8 e 10
sondas, sendo que para cada grupo de poos foram gerados 10 exemplos, designados de A at J, o
que totaliza 300 instncias. As instncias foram nomeadas da seguinte forma: PNEx-S onde N
corresponde ao nmero de poos, S ao nmero de sondas e Ex ao conjunto de exemplos. Assim,
P75A-4 corresponde a uma instncia do problema A com 75 poos e 4 sondas.
As heursticas com as quais o algoritmo AG-2opt foi comparado so, a Heurstica de
Mxima Prioridade Tricritrio (HMPT), a Heurstica de Montagem Dinmica (HMD) e o Grasp
propostas por Costa (2005) e o Algoritmo Gentico proposto Alves e Ferreira (2006), designado
neste trabalho por AG, pois so as que utilizam a mesma base de dados. A HMTP e a HMD
foram resolvidas usando 3 critrios diferentes para a alocao de um novo poo nas sondas, so
eles: critiro 1 menor valor da vazo perdida (Pi), critrio 2 menor valor de Pi/ti e critrio 3
menor valor de Pi*ti.
Inicialmente, foram escolhidas 25 instncias do exemplo A para os grupos de 25, 50, 75, 100
e 125 poos e 2, 4, 6,8 e 10 sondas para a calibrao do algoritmo. Os resultados obtidos so
apresentados na tabela 2 onde na coluna Melhor Heurstica temos o melhor resultado obtido por
Costa (2005) dentre todas as heursticas implementadas em seu trabalho, na coluna AG-2opt os
resultados obtidos pelo algoritmo desenvolvido no presente trabalho (sendo este resultado a
mdia das cinco execues para cada instncia escolhida.) e a coluna Grasp indica os resultados
obtidos por Costa (2005) para a referida tcnica. Observa-se que o AG-2opt obteve melhores
resultados que o Grasp para todas as instncias testadas e tambm quando comparados com a
Melhor Heurstica, exceto para uma instncia (P25A-8).
0,10%
0,00%
-0,10%
-0,20%
Diferena
-0,30%
-0,40%
-0,50%
-0,60%
-0,70%
P100A-10
P125A-10
-0,80%
P50A-10
P75A-10
P100A-2
P100A-4
P100A-6
P100A-8
P125A-1
P125A-4
P125A-8
P25A-10
P100A-1
P125A-2
P125A-6
P25A-1
P25A-4
P25A-8
P50A-1
P75A-2
P75A-6
P25A-2
P25A-6
P50A-2
P50A-4
P50A-6
P50A-8
P75A-1
P75A-4
P75A-8
Ins tncias
60 55 54
50
40 AG-2opt AG
30
20
10 3 2 1 3 1 0 0 0 0 1 0 0
0
0,6 +
0,1 %
0,2 %
0,3 %
0,4 %
0,5 %
0,6 %
0,0 -
0,2 -
0,3 -
0,5 -
0,1 -
0,4 -
%
Figura 12 Histograma comparativo do gap (%) em relao ao CPLEX 9.0
A seguir, foram realizados testes com todas as outras instncias artificiais ainda no testadas.
Na tabela 3 tem-se a mdia de iteraes em cada grupo de poos para atingir a soluo do
problema, alm do tempo mdio de execuo para obter essa soluo.
AG-2opt AG
25 poos 95 % 83 %
50 poos 100 % 77 %
75 poos 97 % 68 %
100 poos 100 % 45 %
125 poos 100 % 22 %
Tabela 5 Resumo das vitrias do AG-2opt e do AG
5. Concluses
Este trabalho mostrou a eficincia do uso da tcnica Algoritmo Gentico em conjunto com
outras tcnicas, como a heurstica 2-opt, possibilitando sua hibridizao e a empregando ao POI-
SPT. Pde-se perceber a importncia que h na combinao de mtodos heursticos para a
obteno de bons resultados. Em particular, a incluso da heurstica 2-opt, como mtodo de
aprimoramento de solues, melhorou consideravelmente a qualidade das solues obtidas no
decorrer do trabalho. H que se ressaltar a importncia do uso de um mtodo gerador de solues
iniciais derivado da HMPT, o qual foi empregado como estratgia para obter um melhoramento
prvio das solues tratadas pelo algoritmo, o que favoreceu a constituio de solues de boa
qualidade j no incio da execuo.
Ao se fazer comparaes, com outros mtodos, usando as instncias artificiais do trabalho de
Costa (2005) os resultados mostraram-se promissores dado que medida que o nmero de poos
aumenta a qualidade das solues no diminui. No obstante, novos tratamentos podem ser feitos
no contexto da escolha da melhor opo dentre os diferentes tipos de operadores genticos alm
dos critrios de parada e probabilidades de mutao e cruzamento, sendo interessante, ao final,
observar o comportamento do AG-2opt quando o mesmo fosse empregado em um ambiente
paralelizado.
6. Referncias.
Accioly, R. & Chiyoshi, Y. Modelando as operaes de suas sondas de petrleo utilizadas na
manuteno da produo. Editora Petrobrs, 2000.
Aloise, D. et al., Heursticas de colnia de formigas com path-relinking para o problema de
otimizao da alocao de sondas de produo terrestre SPT, Atas do XXXIV SBPO, 2002.
Alves, V. R. F. M.; Ferreira, V. J. M. Proposta de algoritmo gentico para a soluo do
problema de roteamento e seqenciamento de sondas de manuteno, Atas do XXXVIII SBPO,
2006.
Costa, L. R. da, Solues para o problema de otimizao de itinerrio de sondas, Tese de
mestrado, UFRJ, Rio de Janeiro, 2005.