Otimizao de alternativas para o desenvolvimento

de campos de petrleo

Luciana Faletti Almeida

Yvn Tpac Valdivia
Marley Maria Bernardes Rebuzzi Vellasco
Marco Aurlio Cavalcanti Pacheco
Resumo

Este artigo apresenta um sistema de suporte deciso para a otimizao de

alternativas de desenvolvimento de campos de petrleo. O desenvolvimento de um
campo de petrleo consiste na escolha de uma alternativa para a explotao de
um reservatrio petrolfero, conhecido e delimitado, que permita produzir a maior
quantidade de hidrocarboneto possvel, dentro dos limites fsicos e econmicos
existentes, isto , maximizar o valor presente lquido (VPL). O VPL calculado a
partir da produo de leo, a qual obtida com o uso de um simulador de reserva-
trio. Cada execuo do simulador pode demorar desde alguns segundos at vrias
horas, dependendo da complexidade do reservatrio modelado. Isto reduz o nmero
de alternativas que podem ser geradas e avaliadas pelo especialista na busca da
melhor soluo. Deste modo, o objetivo deste trabalho propor e avaliar um siste-
ma inteligente de otimizao que emprega: algoritmos genticos (AGs), algoritmos
culturais (ACs) e coevoluo para a busca de uma alternativa de desenvolvimento
tima; e um ambiente de computao paralela para a simulao de reservatrio e
clculo do VPL das alternativas. O sistema resultante permite que o especialista
obtenha, em tempo hbil, a alternativa tima (ou quase-tima) para o desenvol-
vimento de um campo de petrleo conhecido. Os resultados obtidos nos estudos de casos apresentados demonstram
que o sistema proposto, baseado em tcnicas inteligentes, obtm boas alternativas de desenvolvimento de campos
petrolferos com uma grande reduo do tempo computacional, reduo esta obtida a partir do aproveitamento do
poder computacional de um ambiente de computao paralela e do aproveitamento de conhecimento do especialista,
por meio das sementes iniciais.
Palavras-chave: Algoritmo gentico. Algoritmos culturais. Coevoluo. Otimizao. Desenvolvimento de campos petrolfe-
ros. Engenharia de reservatrio. Algoritmos gentico distribudos. Computao paralela.

1 Introduo
Na engenharia de reservatrios, uma das primeiras
tarefas a serem realizadas o desenvolvimento de uma
estratgia para alcanar a produo da maior quantidade
de hidrocarboneto possvel, dentro dos limites fsicos e
econmicos existentes (BITTENCOURT, 1997; BITTEN-
COURT; HORNE, 1997; GUYAGULER et al., 2000;
GUYAGULER; HORNE, 2000) . A determinao dessa
estratgia tratada como um problema de otimizao
de alternativas para o desenvolvimento de um campo de
petrleo, o qual envolve a anlise do sistema de explotao
(determinao da disposio dos poos de petrleo e da
plataforma) e um reservatrio geolgico a ser explorado.
Freqentemente a soluo operacional para o desen-
volvimento de um campo de petrleo no a tima, mas
apenas um resultado vivel que satisfaz as restries
operacionais e econmicas em um momento espec-
fico. Isto se deve ao grande nmero de variveis que um
engenheiro de reservatrio deve considerar de forma a
alcanar a melhor estratgia para o desenvolvimento do
campo. Atualmente o processo de escolha do valor de
cada uma dessas variveis feito de forma manual.
Deste modo, um processo de otimizao que permita
avaliar diferentes perfis de produo, para diferentes
configuraes, de forma a determinar a alternativa tima
do ponto de vista econmico sob as restries tcnicas
existentes, torna-se bastante importante. Trabalhos que
abordam processos de otimizao, para esse problema,
so encontrados na literatura (BITTENCOURT, 1997;

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

490
BITTENCOURT; HORNE, 1997; GUYAGULER
et al., 2000; GUYAGULER; HORNE, 2000; TPAC
et al., 2002; BECKNER; SONG, 1995; PEDROSO;
SCHIOZER, 2000). Entretanto, a maioria destes traba-
lhos restringem-se a otimizar apenas um tipo de poo, ou
a localizao de poos convencionais pr-determinados,
ou ainda usam mtodos de otimizao clssicos que, para
se tornarem viveis, restringem-se a modelos analticos
de reservatrio bastante simplificados. Para se aplicar um
processo mais completo de otimizao nesse problema,
necessrio definir uma metodologia de otimizao
apropriada e uma funo objetivo a ser maximizada ou
minimizada.
Este artigo apresenta um sistema de suporte deciso
para a otimizao de alternativas de desenvolvimento
de campos de petrleo. O sistema emprega algoritmos
evolucionrios na busca de uma alternativa de desenvol-
vimento tima, em um ambiente de computao paralela,
que fornea ao especialista, em tempo hbil, a melhor
configurao de poos para o desenvolvimento do campo
de petrleo conhecido.
Neste trabalho, utilizaram-se algoritmos genticos,
algoritmos culturais e coevoluo para encontrar uma
alternativa, a qual definida pela quantidade, localizao,
tipo (vertical/horizontal) e funo (injetor/produtor) de
poos. Dentre as tcnicas de computao, esses algo-
ritmos so mtodos de busca e otimizao utilizados
para procurar solues de problemas complexos ou com
espao de solues muito grande, problemas estes de
difcil modelagem e soluo quando se aplicam mtodos
de otimizao convencionais.
A funo objetivo a ser maximizada neste problema o
valor presente lquido (VPL) (TPAC et al., 2002). O valor
presente lquido uma funo do fluxo de caixa esperado,
obtido a partir do custo de investimento inicial, do preo
do petrleo, da produo de leo, dos custos de operao,
das alquotas de impostos e dos royalties pagos durante o
tempo de produo. Devido complexidade do perfil de
produo de petrleo, necessria a utilizao de simula-
dores de reservatrio para obteno das curvas de produo
de leo e gs. Deste modo, o simulador de reservatrios
parte integrante da funo de avaliao. Entretanto, o uso
de simuladores eleva muito o custo computacional, fazendo
com que a obteno do resultado seja muito demorada.
Torna-se importante a implementao de uma tcnica que
permita contornar esse problema. Neste trabalho, foi utili-
zado processamento distribudo para aproveitar o poder
computacional de vrios processadores e realizar vrias
simulaes de produo de leo e clculos do VPL em um
tempo menor. Com o uso do processamento distribudo e
do poder computacional de uma rede de computadores,
conseguiu-se reduzir consideravelmente o tempo compu-
tacional necessrio para realizar a otimizao.
Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007
Almeida et al.
Na prxima seo, apresenta-se o sistema de otimi-
zao de alternativa proposto neste trabalho, detalhando
cada um dos seus mdulos. Em seguida, na seo 3,
apresenta-se o estudo de caso com seus resultados e
discusses. Por fim, as concluses e os trabalhos futuros
so apresentados na seo 4.
2 Sistema de otimizao de alternativas
O sistema proposto composto de trs mdulos
principais: o mdulo otimizador, o simulador de reser-
vatrios IMEX (IMEX, 2000) e o mdulo de clculo
do valor presente lquido. O mdulo otimizador, que
contm os algoritmos evolucionrios (gentico, cultural
e coevoluo), determina os valores adequados para cada
uma das variveis e parmetros que configuram uma
certa alternativa. Essa alternativa ento submetida ao
simulador de reservatrios, o qual fornece as previses
de produo de leo, gs e gua da alternativa. Estas,
por sua vez, so utilizadas pelo mdulo de clculo do
valor presente lquido (VPL), de forma a obter o valor
de avaliao da alternativa. Finalmente, o VPL calculado
enviado para o mdulo otimizador que o utiliza como
valor associado avaliao da alternativa (cromossomo).
A Figura 1 apresenta a arquitetura do sistema de otimi-
zao desenvolvido. As sees seguintes descrevem em
detalhes cada mdulo separadamente.
2.1 Mdulo otimizador
O mdulo otimizador composto pelo algoritmo
evolucionrio que ir otimizar a estratgia de explorao
de um dado reservatrio. Neste mdulo, foram imple-
mentados trs modelos de algoritmos evolucionrios:
algoritmo gentico (AG), modelo hbrido AG/algoritmo
cultural (AC) e modelo de Coevoluo, de forma a
avaliar o desempenho de cada algoritmo na soluo do
problema. A seguir, sero descritos o funcionamento e a
modelagem de cada algoritmo evolucionrio avaliado.
Conhecimento Processamento
do especialista distribudo
Cenrio
Mdulo Simulador de de produo
Alternativa
otimizador reservattio
(GA, CA, (IMEX)
coevoluo)
Curva de Parmetros para
custo de
produo
Avaliao Layout desenvolvimento
alternativa dos poos Clculo do
VPL Parmetros para
custo operrracional
Figura 1. Mdulos que compem o sistema de otimizao de al-
ternativas.
 Otimizao de alternativas para o desenvolvimento de campos de petrleo
2.1.1 Modelagem por algoritmo gentico
Algoritmos genticos (AGs) so algoritmos probabi-
lsticos que fornecem um mecanismo de busca paralela
e adaptativa baseado no princpio Darwiniano de sobre-
vivncia dos mais aptos e na reproduo gentica
(MITCHELL, 1996; GOLDBERG, 1989; BACK, 1996;
MICHALEWICZ, 1996). O mecanismo de busca obtido
a partir de uma populao de indivduos (solues), repre-
sentados por cromossomos (palavras binrias, vetores,
etc.), cada um associado a uma aptido (avaliao da
soluo), que so submetidos a um processo de evoluo
(seleo, reproduo, cruzamento e mutao) por vrios
ciclos.
2.1.1.1 Representao do cromossomo
A representao do cromossomo na modelagem do
AG deve ser capaz de descrever corretamente o espao
de busca relevante do problema. Deste modo, a represen-
tao escolhida neste trabalho possui tamanho varivel
(ZEBULUM et al., 2001), uma vez que no se conhece
a priori o nmero de parmetros a serem otimizados
(nmero de poos da alternativa). Assim, o comprimento
do cromossomo alterado no decorrer da evoluo,
sendo este comprimento interpretado como o nmero de
genes ativos.
O cromossomo formado por uma dupla estrutura
(Figura 2): uma que contm a descrio da alternativa
(cromossomo); e outra que define a ativao dos genes
(mscara de ativao). A estrutura do cromossomo
dividida em duas partes: a primeira contendo informa-
es sobre os poos verticais e a segunda sobre os poos
horizontais. Cada uma dessas partes , por sua vez, subdi-
vidida em poos injetores e poos produtores. A funo
da mscara de ativao exatamente indicar, dependendo
de seu valor (0 ou 1), quais genes dos cromossomos esto
ativos e quais esto inativos (ALMEIDA, 2003). Cada
gene do cromossomo contm informaes referentes
localizao de um certo poo, sendo que essas informa-
es so representadas por nmeros inteiros.
Para poos verticais, a informao refere-se apenas
posio (x, y) do poo. J para os poos horizontais,
alm da posio (x, y), necessrio especificar tambm a
Mscara de ativao
0 1 0 1 1 0 1 0
Cromossomo
Vertical Vertical
XYZ XYZ XYZ XYZ
XY XY XY XY
Dir Dist Dir Dist Dir Dist Dir Dist
Injetor Produtor Injetor Produtor
Figura 2. Representao do cromossomo do AG.
491
profundidade em que o poo se encontra (z); a sua direo
horizontal (Dir), que pode ser x ou y; e o tamanho total
(comprimento do poo - Dist) na direo horizontal.
A Figura 2 ilustra o cromossomo desenvolvido para
este problema.
2.1.1.2 Operadores genticos
Os operadores mais conhecidos nos AGs so os de:
cruzamento (crossover), que um operador baseado na
troca de partes dos cromossomos selecionados (pais),
formando-se duas novas solues (filhos); Mutao,
que a troca aleatria do valor contido nos genes de
um cromossomo por outro valor vlido do alfabeto; e
Reproduo, que o processo de selecionar e copiar um
determinado cromossomo para a populao seguinte de
acordo com sua aptido.
Neste trabalho foram utilizados os seguintes opera-
dores:
a) cruzamento aritmtico (MICHALEWICZ, 1996);
mutao LocalMove (ALMEIDA, 2003);
b) mutao FlipWelll (ALMEIDA, 2003);
c) reproduo Steady State (elitismo) (MICHA-
LEWICZ, 1996);
d) mutao uniforme (MICHALEWICZ, 1996);
e) mutao AddWelll (ALMEIDA, 2003); e
f) mutao AddFiveSpotWelll (ALMEIDA, 2003);
Os operadores cruzamento aritmtico e mutao
uniforme so operadores tradicionais de algoritmos
genticos, descritos em Michalewicz, 1996. J os opera-
dores Local Move, AddWell, FlipWell e AddFiveSpotWell,
foram projetados especificamente para este projeto. Todos
os operadores so descritos a seguir:
a) cruzamento aritmtico: os dois cromossomos
escolhidos para sofrer o cruzamento tm todos os
seus genes alterados da seguinte maneira: x1 = a *
x1 + (1 a) * x2 e x2 = a * x2 + (1 a) * x1, em que
xj um gene alterado do cromossomo j, e a um
nmero real aleatrio compreendido entre zero e um,
garantindo assim que os valores de x1 e x2 conti-
nuem pertencendo ao domnio. Vale ressaltar que,
como o cromossomo trabalha com nmeros inteiros,
os valores resultantes do cruzamento so truncados,
sendo considerada somente a parte inteira.
b) mutao uniforme: o valor do gene i do cromos-
somo que sofre a mutao alterado por: x(i) = left
+ (rightt left)*a, em que left o limite inferior do
domnio do gene; rightt o limite superior; e a um
nmero aleatrio entre zero e um. Da mesma forma
que no caso anterior, como o cromossomo trabalha
apenas com nmeros inteiros, o valor resultante da
mutao truncado, considerando somente a parte
inteira.
c) LocalMove: o valor do gene do cromossomo sofre
um deslocamento de 1 para mais ou para menos,
Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007
492
dependendo do sorteio feito a partir de uma varivel
aleatria. Essa mutao tem como objetivo fazer
pequenos deslocamentos com os poos, explorando
assim sua vizinhana.
d) AddWell: atua sobre a mscara do cromossomo
somente no sentido de ativao dos genes (mudana
0 1 na mscara de ativao).
e) FlipWell: o operador permite a ativao e desati-
vao de genes de forma oscilatria ao longo das
geraes (mudana 0 1 ou 1 0 na mscara de
ativao).
f) AddFiveSpotWell: tem como objetivo ativar uma
configurao pr-estabelecida de poos conhecida
como fivespot. Essa configurao de poos
composta de um poo produtor cercado por quatro
poos injetores eqidistantes a ele, formando um
quadrado. Na opinio de especialistas, esta estru-
tura costuma dar bons resultados quando inserida
em locais adequados. A Figura 3 ilustra uma confi-
gurao five spot; e
g) SteadyState: troca parcial da populao, na qual os
M melhores indivduos da populao corrente so
copiados para a populao seguinte.
2.1.1.3 Validao das alternativas
Durante a evoluo do AG podem ser geradas configu-
raes com posies duplicadas de poos verticais e/ou
horizontais, alm de poos horizontais muito prximos
uns dos outros ou mesmo com alguma interseo. Estas
configuraes so inaceitveis e, na maioria dos casos,
no podem ser simuladas.
Para evitar que essas configuraes invlidas sejam
enviadas ao Simulador de Reservatrios, necessrio
efetuar uma validao das trajetrias de todos os poos
gerados pelo AG previamente, antes que o cromossomo
seja avaliado. Esta funo de validao segue as seguintes
heursticas:
a) poos horizontais tm prioridades sobre poos verti-
cais: isto significa que caso um poo horizontal e um
vertical estejam formando uma configurao inv-
lida (por exemplo, distncia entre os poos inferior
mnima permitida), o poo vertical ser eliminado
Poo injetor Poo produtor
Figura 3. Configurao Five Spot.
Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007
Almeida et al.
(por meio da mscara de ativao) e no ser consi-
derado na avaliao;
b) poos produtores tm prioridade sobre poos
injetores: neste caso, se poos do mesmo tipo (hori-
zontais ou verticais) estiverem em configurao
invlida, o produtor ser mantido e o injetor ter seu
bit de mscara de ativao colocado em zero;
c) os poos devem respeitar uma distncia mnima
entre si, isto , dois poos quaisquer da alternativa
no podem estar a uma distncia inferior a um raio
de distncia mnima especificado, raio este geral-
mente fornecido pelo especialista. Esta restrio,
alm de evitar poos muito prximos, tambm evita
a superposio de poos (o que significaria valor de
distncia zero entre dois poos quaisquer);
d) poos horizontais tm um comprimento mximo,
tambm especificado pelo especialista; e
e) no podem ser criados poos no local definido como
posio da plataforma.
As restries descritas acima tambm so usadas nos
demais modelos de otimizao descritos nas sees 2.1.2
e 2.1.3.
2.1.1.4 Uso de conhecimento prvio
O sistema de otimizao de alternativas proposto neste
trabalho permite a utilizao de conhecimento prvio, ou
seja, podem-se aproveitar alternativas fornecidas por espe-
cialistas ou alternativas obtidas a partir de experimentos
anteriores e efetuar o processo de evoluo dos algoritmos
genticos a partir delas, introduzindo estas alternativas
na populao inicial do novo experimento. Esse conheci-
mento chamado de Semente Inicial, a qual adicionada
primeira populao. Isto de grande importncia 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 a busca
de melhores solues. Dada a caracterstica elitista dos
algoritmos genticos, a soluo resultante no poder ser
pior do que as inseridas como semente inicial. Assim, a
influncia da semente inicial no resultado da otimizao
vai depender diretamente de sua qualidade como soluo,
ou seja, se a semente inicial for a soluo tima ou quase-
tima, o algoritmo dificilmente ser capaz de encontrar
uma melhor resposta; j se a semente estiver longe das
solues quase-timas, rapidamente ser substituda por
outras solues obtidas na evoluo
2.1.2 Modelagem hbrida algoritmos genticos -
algoritmos culturais
Algoritmos Culturais (ACs) (REYNOLDS, 1994;
REYNOLDS; CHUNG, 1996a; REYNOLDS; CHUNG,
1996b) consistem em trs componentes bsicos
(REYNOLDS; CHUNG, 1996a): a populao a ser
 Otimizao de alternativas para o desenvolvimento de campos de petrleo
evoluda, juntamente com seus operadores e mecanismo
de avaliao; o espao de crena, o qual representa a
experincia que est sendo adquirida pela populao
durante o processo de soluo do problema; e o proto-
colo de comunicao que determina a interao entre a
populao e o espao de crena.
No modelo utilizado neste estudo, a componente
populao do AC modelada pelo AG descrito na seo
2.1.1.
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
de valores (ALMEIDA, 2003). Estes intervalos influen-
ciam a avaliao dos indivduos da populao: caso
algum indivduo tenha o valor de um gene dentro de um
dos intervalos presentes no espao de crenas, este indi-
vduo ganha um bnus na sua avaliao.
O protocolo de comunicao composto por dois
processos:
a) o processo de votao: escolhe os melhores indi-
vduos de uma gerao do AG para que estes
influenciem o espao de crena. Os melhores indi-
vduos so escolhidos em termos de porcentagem,
e o parmetro pBestt representa o percentual dos
melhores indivduos da populao que iro influen-
ciar o Espao de Crena; e
b) o processo de promoo: determina como o espao
de crenas capaz de influenciar um componente da
populao. Essa influncia ocorre pela alterao das
avaliaes dos indivduos da populao. Essa alte-
rao feita com o uso de um parmetro chamado
bnus, o qual possui um valor que influencia a
avaliao do cromossomo no sentido de melho-
r-la.
A influncia dos melhores indivduos no espao
de crena feita por meio do uso de operadores
(REYNOLDS; CHUNG, 1996b) descritos abaixo.
Um exemplo ilustrativo sobre cada um dos operadores
descritos abaixo apresentado na Figura 4.
a) especializao: Se os genes pertencentes a algum
intervalo que compe o espao de crena esto
concentrados em algum ponto deste intervalo, este
intervalo deve ser reduzido.
[ ++ +++] ++ [+++++] [++ +++] [++] +++ [+++]
[++ +++] [++ +++++] [++] [+++] [++ +++ +++]
Especializao Generalizao Diviso Fuso
Operadores de atualizao do Espao de Crenas.
493
b) generalizao: Se h uma evidncia de indivduos
aceitveis fora do intervalo atual, ento o intervalo
deve ser ampliado para incluir os novos indivduos.
c) diviso: Este um caso particular de especializao,
no qual os genes pertencentes a um determinado
intervalo esto concentrados em mais de um ponto
no interior deste intervalo; e
d) fuso: Este um caso especial de generalizao em
que existem genes na vizinhana de dois intervalos
bastante prximos e, por isso, ambos os intervalos
devem ser fundidos.
2.1.3 Modelagem com coevoluo
Na modelagem por coevoluo, tem-se a decompo-
sio do problema em submdulos, de forma que se possa
ter a evoluo de subcomponentes interdependentes, em
que cada um deles pode evoluir independentemente dos
demais. Essa interdependncia normalmente complexa,
isto , o efeito de mudar um subcomponente provoca uma
deformao no espao de buscas dos outros subcom-
ponentes que esto acoplados por esta interdependncia.
(DURHAM, 1991; POTTER; DE JONG, 2000).
Neste artigo, foi utilizado um modelo coevolucio-
nrio cooperativo genrico (DURHAM, 1991). Nesta
arquitetura, duas ou mais espcies diferentes formam um
ecossistema. Como na natureza, as espcies so gene-
ticamente isoladas, ou seja, os indivduos s podem se
reproduzir com outros indivduos da mesma espcie. Isto
feito simplesmente isolando-se as espcies em popu-
laes separadas. As espcies somente interagem umas
com as outras por um domnio compartilhado e tm uma
relao apenas de cooperao. Um diagrama do modelo
coevolucionrio cooperativo proposto para o problema
de otimizao de alternativas mostrado na Figura 5.
O modelo de coevoluo utilizado neste estudo possui
duas populaes a serem evoludas: uma composta pelos
poos horizontais e outra pelos poos verticais. Na
Figura 5, mostra-se a populao de poos verticais sendo
avaliada, utilizando a populao de poos horizontais
como colaboradora. A escolha destas duas populaes
deveu-se s diferenas das capacidades de obteno de
Espcie 1 Espcie 2
Indivduo
Algoritmo Algoritmo
evolucionrio Fitness evolucionrio
Populao
Populao Populao
poos poos
horizontais
verticais
Colaborador
Figura 5. Modelo coevolucionrio cooperativo.
Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007
494 Almeida et al.

leo e custo de perfurao e manuteno entre poos
verticais e horizontais.
A Figura 6 ilustra os cromossomos referentes s
duas populaes da coevoluo. O significado de cada
parmetro nos genes dos dois cromossomos o mesmo
descrito na seo 2.1.1. Da mesma forma, os operadores
utilizados aqui so os mesmos descritos na seo 2.1.1.
2.2 Mdulo simulador
Para se obterem os perfis de produo de leo, gs e
gua a serem utilizados na avaliao de cada alternativa,
utiliza-se o Simulador (IMEX : Advanced Oil/ Gas Reser-
voir Simulator Version 2002 da CMG) (IMEX, 2000) que
possui muitas caractersticas relevantes, sendo as mais
importantes para este trabalho as seguintes:
a) gerenciamento detalhado de poos;
b) simulao de poos verticais, horizontais e diago-
nais; e
c) porosidade e permeabilidade duplas.
Dado que o simulador um mdulo separado, a
comunicao entre o algoritmo otimizador e o simulador
de reservatrios d-se por meio de arquivos, havendo
comunicao nos dois sentidos (escrita de arquivos na
linguagem do simulador e leitura de alguns arquivos
fornecidos pelo simulador). Deste modo, o algoritmo
otimizador acessa informaes sobre o modelo de reser-
vatrio especificado para o simulador, recuperando dados
sobre a geometria do reservatrio tais como: dimenses
da malha; tipo de malha; e nmero de blocos nas direes
i, j, k, que servem para obter uma matriz de distncias,
necessria para o clculo das trajetrias dos poos e para
a definio dos domnios de cada gene. Todos estes dados
Populao Vertical
Mscara de Ativao
0 1 0 1 1 0 1 0
Cromossomo
Vertical
XY XY XY XY XY XY XY
Produtor Injetor
Populao Horizontal
Mscara de Ativao
0 1 0 1 1 0
Cromossomo
Horizontal
XYK XYK XYK XYK XYK XYK XYK XYK
Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist
Produtor Injetor
Figura 6. Representao dos cromossomos das populaes da mo-
delagem de coevoluo.
so lidos do arquivo de especificao uma nica vez e
usados para iniciar o algoritmo otimizador, permane-
cendo fixos durante toda a evoluo.
Alm dessas especificaes geomtricas, o modelo
otimizador tambm obtm do arquivo de especificao
(em uma seo denominada *NULL) informaes sobre
os blocos inativos da malha de reservatrio. Estes blocos
so utilizados para determinar posies onde no se
podem perfurar poos, devido, por exemplo, a condies
como porosidade nula. Caso essa seo seja encontrada,
o algoritmo otimizador mapeia toda a rea invlida, utili-
zando-a como restrio na inicializao da populao e
no uso de operadores de crossover e mutao, evitando
assim que poos sejam criados nessas reas imprprias
para explorao.
Aps a criao de uma populao, o algoritmo otimi-
zador especifica uma determinada configurao de poos,
utilizando a sintaxe padro do IMEX, por meio de um
arquivo include.inc, o qual lido pelo simulador.
Aps o trmino da simulao da alternativa forne-
cida pelo algoritmo otimizador, o simulador fornece um
arquivo de sada contendo informaes sobre a produo
de leo, gs e gua em condies de superfcie e refe-
rentes ao campo em sua totalidade. Esses dados so
empregados pelo mdulo clculo do valor presente
lquido, para a determinao da avaliao da alternativa,
conforme descrito na seo a seguir.
2.3 Clculo do valor presente lquido (VPL)
Conforme mencionado, no sistema de otimizao de
alternativas proposto neste trabalho, cada cromossomo
representa uma alternativa a ser avaliada. Esta avaliao
ocorre da seguinte forma:
a) a alternativa gerada pelo mdulo otimizador inse-
rida no mdulo simulador;
b) o mdulo simulador fornece um perfil de produo
do campo (curvas de produo de leo, gs e aflu-
ncia de gua) dependendo da configurao de
poos encontrada e do tempo simulado em anos; e
XY c) o perfil de produo obtido inserido no mdulo
de clculo do VPL, o qual fornece a avaliao da
alternativa (cromossomo) especificada pelo mdulo
otimizador.
O valor presente representa uma precificao no dia de
hoje para algum objeto ou evento que ocorrer somente
1 0 no futuro. Para isto, torna-se necessrio ter uma boa
previso do comportamento deste evento futuro no dia
de hoje. Para o problema de alternativas de produo,
os eventos so os fluxos de caixa (BREALEY; MYERS,
1981) para determinados espaos de tempo. Estes espaos
de tempo ficam atrelados aos valores que o simulador de
reservatrios ir fornecer. O ajuste ao tempo presente
feito por um decremento do valor previsto no futuro, o
qual depende da diferena temporal entre hoje e o tempo

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

 Otimizao de alternativas para o desenvolvimento de campos de petrleo 495

de ocorrncia futuro e uma taxa de desconto exponen-
cial. Como um evento segmentado no tempo, o valor
presente ser o somatrio de todos estes valores descon-
tados exponencialmente no tempo, conforme especificado
na expresso seguinte:
n so de certeza, o preo do petrleo no tempo t pode ser
VPX  xei  St i
(1)
i0
em que xi o evento no tempo i, ti a distncia temporal
do evento xi e R o valor da taxa de desconto exponen-
em que o valor presente da receita VPR depende da
produo de leo Q(t) mais a produo de barril-equiva-
lente de gs G(t)/1000, do preo de petrleo Poil(t), nos
diferentes intervalos de tempo t, e da constante de amor-
tecimento R. Como neste caso as condies de mercado
expresso como uma funo Poil(t) constante. Assim, para
cada intervalo de tempo o valor da receita pode ser obtido
como:
cial. R(t )  Q(t )  G(t ) / 1000
Poil (t ) (6)
O Valor Presente Lquido (VPL) a diferena entre e o valor presente como:
o Valor Presente (VP) da alternativa e o custo de desen- T
volvimento desta (D), como se mostra na expresso P
V R  R t
.e  St i (7)
seguinte: i 1

VPL = VP D (2) em que a constante de amortecimento R 0,1 (valor indi-

Os custos de desenvolvimento (D), isto , dos investi-
mentos efetuados para iniciar a produo, so calculados
a partir dos poos a serem perfurados e das dimenses
das linhas de conduo, risers, planta e plataforma, como
mostra a expresso a seguir:
np
cado pelo especialista), e o valor T representa o tempo
mximo de atividade lucrativa do reservatrio, isto ,
enquanto o valor da receita for maior que o custo de
operao. O valor ti o passo de tempo que foi deter-
minado pelo simulador de reservatrio para montar as
curvas de produo de leo, gs e afluncia de gua.
O valor presente do custo operacional representa os
D  (a * fph  r )n p  b  p j  Ppl .c (3) custos para manter a operao de produo de leo. Esses
j 1
custos dependem da produo obtida e de outros custos
em que os parmetros, conhecidos como CAPEX (Capital mais fixos, como por exemplo, a manuteno peridica
Expenditure), esto descritos a seguir: a - Custo mdio de dos poos. Desta forma, o custo operacional para o tempo
perfurao de um poo mais custo da rvore de Natal; t dado por:
r - Custo do riser para uma linha dgua de 1 km;
COP (t i ) 
b - Custo de transferncia mais custo da plataforma (8)
e planta; pj - Posio do poo pj; Ppl - Posio da planta ti t
mais plataforma; c - Custo de linha por quilmetro;
np - Nmero de poos por alternativa; e fph - Fator de custo
de poos horizontais.
O valor do fator de custo por poos horizontais fph da
expresso anterior calculado como segue.
n ph
(m.n p )  Cf i  Cv .Q(t i )  R y R(t i )  Cw W(t i )
365 365
sendo ti - Tempo de simulao i (em dias); m - custo
de manuteno anual de um poo (considerado igual
para todos os poos); cv - constante para clculo de
custos variveis no tempo que dependem da produo;
fph  1  fh
np
sendo nph o nmero de poos horizontais que existem na
alternativa e o fator fh o fator de custo adicional para
poos horizontais BITTENCOURT; HORNE, 1997).
Com essa formulao evita-se separar o nmero de poos
verticais e horizontais, usando-se somente o nmero total
(4) Cf - custos fixos anuais; Cw - custo de retirada da gua/m3;
Q(ti) - produo de leo no tempo ti; W(ti) - afluncia de
gua no tempo ti; Ry - alquota de royalties; e np - nmero
de poos.
Assim, o valor presente do custo operacional calcu-
lado conforme a expresso abaixo:
T

de poos da alternativa e o nmero de poos horizontais. P

V COP  COP t
.e  St i (9)
i 1
O valor presente da alternativa composto pela dife-
rena entre o valor presente da receita (VPr) menos o Foram descritas nesta seo todas as variveis necess-
valor presente do custo operacional (VPcop), aplicando ao rias para o clculo do VPL, usado como funo de avaliao
resultado a alquota de imposto I de aproximadamente que ser maximizada pelo algoritmo otimizador.
34%. Assim, a expresso para obteno do valor presente
da alternativa dada por: 2.4 Ambiente de processamento distribudo
Dada a evoluo atual dos sistemas de rede de alto
V  P
P V R P
VC po
1  I
(5) desempenho e, com esta evoluo, a possibilidade de

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

496
aproveitar a grande capacidade de computao conjunta
de ambientes colaborativos de pesquisa e desenvolvi-
mento, a computao paralela e os sistemas distribudos
cada vez mais atendem crescente demanda por recursos
computacionais a baixo custo.
O sistema de otimizao proposto iterativo e requer
uma grande quantidade de simulaes de reservatrio.
Dado que a execuo de uma destas simulaes pode
levar minutos ou horas para ser realizada, surge a neces-
sidade de aproveitar o poder computacional de um grupo
de processadores pelo uso de ambientes de computao
paralela e distribuda aplicada a sistemas de otimizao
evolucionria.
Na literatura encontram-se diferentes modelos de
algoritmos genticos distribudos (TOMASSINI, 1999;
COHOON et al., 1987; MANDERICK, 1989) que vm
a ser os prprios algoritmos genticos inseridos de dife-
rentes formas em uma arquitetura de computao paralela
ou distribuda. Dentro destes algoritmos ressaltam-se os
seguintes:
a) algoritmo trivial (CANT-PAZ, 1998): realiza a
execuo simultnea de vrias verses de um mesmo
problema de otimizao em vrios processadores
independentes, com diferentes populaes iniciais ou
diferentes valores de parmetros do AG. Apesar desta
ser a forma mais simples de paralelismo, j se obtm
redues no tempo de execuo e obteno de estats-
ticas para um problema baseado em AG; e
b) algoritmo global de populao simples
(CANT-PAZ, 1998): um algoritmo gentico com
uma nica populao em que apenas o mdulo de
avaliao executado no ambiente distribudo. A
grande vantagem est na independncia existente
entre as avaliaes de cada indivduo da populao,
a qual viabiliza a realizao de mltiplas avaliaes
distribudas ao longo dos diversos processadores
existentes na rede de computadores. A arquitetura
de comunicaes empregada a master-slave. O
processador masterr contm a populao, operadores
e mtodos de seleo do algoritmo gentico, e os
processadores slave contm a funo de avaliao.
Assim, com a possibilidade de se realizar avaliaes
simultneas, h um ganho considervel no tempo de
otimizao, j que a avaliao normalmente consome
o maior tempo no processamento de um AG.
Existem outros modelos que distribuem a populao
entre os processadores do ambiente distribudo, visando se
assemelhar ao processo de evoluo natural das espcies
com caracterstica de separao geogrfica entre indiv-
duos e grupos de indivduos, como ocorre nos algoritmos
em ilhas (COHOON et al., 1987) e os algoritmos celulares
(MANDERICK, 1989).
Neste trabalho, foi empregado o algoritmo gentico
global de populao simples com arquitetura de comu-
Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007
Almeida et al.
nicaes master-slave, adequada para os modelos de
algoritmos genticos, algoritmos culturais e os algoritmos
de coevoluo cooperativa utilizados neste trabalho. A
Figura 7 mostra a arquitetura master-slave aqui empre-
gada.
Na Figura 7, o masterr e cada slave so, normalmente,
aplicaes instanciadas em diversos computadores de
uma rede local de alto desempenho. Pode-se notar que o
computador master se comunica com cada um dos slaves
enviando um indivduo (cromossomo) a ser avaliado, e
fica aguardando o valor de aptido calculado pelo slave.
Assim, vrios indivduos podem ser avaliados simul-
taneamente, por diferentes slaves, pois o masterr fica
aguardando a finalizao de cada avaliao para enviar
um novo indivduo a cada slave, at se esgotarem os indi-
vduos da populao.
Com o propsito de adequar na implementao o
sistema desenvolvido ao modelo do algoritmo global, o
ambiente de processamento distribudo foi dividido em
trs grandes mdulos:
a) mdulo de dados: que contm as informaes
necessrias para realizar a otimizao: campos,
alternativas existentes e parmetros para o clculo
do VPL;
b) mdulo de engenharia: que contm os algoritmos
utilizados na otimizao, algoritmos genticos,
algoritmos culturais e coevoluo; e
c) mdulo de cenrios: que contm as rotinas refe-
rentes avaliao de alternativas, como o linkk com o
simulador de reservatrios e o clculo do VPL.
Os mdulos de dados e engenharia esto instanciados
no masterr e o mdulo de cenrios replicado e instan-
ciado em cada um dos slaves existentes.
De forma a permitir a comunicao entre os trs
mdulos, foram criadas duas interfaces de comunicao:
a) interface para envio de dados de cenrio e iniciali-
zao; e
Master
populao,
operadores,
seleo
o
du
v
di
o
In
tid
Ap
Slave 1 Slave n
Slave 2
Slave 3
Arquitetura master-slave.
 Otimizao de alternativas para o desenvolvimento de campos de petrleo 497

b) interface para envio de cromossomo e retorno da
avaliao.
Estas interfaces foram implementadas utilizando a
arquitetura CORBA (OMG, 2003; HENNING, 1999). Na
Figura 8, mostram-se os mdulos e as interfaces de comu-
nicao implementadas com seus respectivos servios.
3 Estudo de caso
Para a realizao dos testes do sistema de otimizao
de alternativa proposto neste trabalho, foi utilizado um
modelo de reservatrio sinttico, porm com caracte-
rsticas prximas s de campos existentes, denominado
campo-1. A seguir feita uma breve descrio das dimen-
ses e caractersticas principais deste reservatrio.
Este modelo de reservatrio consiste em uma malha de
33 x 57 x 3 blocos, isto , 33 blocos na direo i, 57 blocos
na direo j e 3 na direo k. As dimenses de cada bloco
so de aproximadamente 100,0 x 100,0 x 8,66 m. Este
modelo no apresenta blocos nulos. Os valores geol-
gicos do reservatrio so os seguintes: permeabilidade;
575,0 (md) nas direes i, j; e 57,40 (md) na direo k;
porosidade: 0,23; e presso inicial: de 390 at
420 kg/cm2, dependendo inversamente da altura.
Uma caracterstica importante deste modelo a exis-
tncia de uma regio com 100% de saturao de gua na
parte mais funda, formando um aqfero. As demais regies
possuem saturao de gua no valor de 0,25. Este fato cria
a condio de heterogeneidade da reserva. A Figura 9
ilustra o campo-1 com uma vista em trs dimenses.
Os testes realizados neste trabalho foram feitos no
campo descrito acima e utilizando os trs modelos
propostos neste artigo. A Tabela 1 apresenta as melhores
configuraes encontradas dos parmetros dos modelos
de algoritmos evolucionrios. Essas configuraes de
parmetros foram obtidas de forma emprica. Devido
complexidade do problema, foram testadas configuraes
nas quais o nmero de geraes e o nmero de indivduos
variou entre 50 e 150. Em todos os algoritmos evolucio-
nrios foi utilizado como critrio de parada o nmero
mximo de geraes.
Os testes 1 e 2 foram realizados com o algoritmo
gentico descrito na seo 2.1.1. Foram usados ambos os
tipos de poos (vertical e horizontal) durante a evoluo
do AG. Os testes 3, 4 e 5 foram realizados com o modelo
hbrido do AG/AC, sendo que no teste 3 foram usados
poos verticais e horizontais, no teste 4 somente poos
verticais e no teste 5 somente poos horizontais. Os testes
6 e 7 foram realizados com o modelo coevolucionrio e
foram usados poos verticais e horizontais. Somente o
teste 7 foi testado com o processamento distribudo.

Interface Interface
cenrio avaliao
Mdulo de cenrio
Scenery manager
Mdulo de dados Mdulo de
Data manager engenharia
Engine manager

Figura 8. Mdulos e interfaces de comunicao implementados

no sistema. Figura 9. Viso em 3D do campo-1.

Tabela 1. Parmetros da evoluo.

Parmetros Teste AG Teste AG /AC Teste coevoluo
Teste 1 Teste 2 Teste 3 Teste 4 Teste 5 Teste6 Teste7
Tipo pPoo Vert/hori Vert/hori Vert/hori Vert Hori Vert/hori Vert/hori
Nmero de geraes 150 80 150 100 100 50 70
Tamanho da populao 100 80 100 50 50 50 60
Nmero total de genes 80 80 80 50 50 80 40
Steady State 0,4 0,4 0,4 0,4 0,4 0,4 0,4
pWell 0,3 0,3 0,3 0,3 0,3 0,3 0,3
Bnus - - 3 3 3 - -
pBest - - 0,1 0,1 0,1 - -
Operador Todos Todos Todos Todos Todos Todos Todos
Proc. Distribudo No No No No No No Sim

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

498 Almeida et al.

3.1 Apresentao dos resultados zontais. O melhor VPL encontrado neste teste foi de
A Tabela 2 contm os melhores valores de VPL obtidos U$ 13.788.509,70 correspondente a: 5 poos injetores
e o nmero de poos encontrados em todos os testes e 6 poos produtores.
do Campo-1. Novamente, a tabela dividida entre os A Figura 10 mostra a configurao 3D encontrada no
modelos apresentados (AG, AG/AC, Coevoluo). Pelos teste 1. A Figura 11 apresenta a curva de desempenho do
resultados apresentados na Tabela 2, percebe-se que os algoritmo. O tempo gasto neste experimento foi de apro-
melhores VPLs foram obtidos pelo algoritmo de Coevo- ximadamente 27 horas, sendo o tempo mdio de cada
luo. Os testes 1 e 2, nos quais se utiliza um Algoritmo simulao de 20 segundos.
Gentico puro, a convergncia para valores positivos
mais lenta, devido complexidade do problema e falta 3.1.2 Algoritmo gentico/algoritmo cultural
de recurso capazes de agilizar a convergncia. O teste 2 O teste 3 foi realizado com o uso do algoritmo hbrido
utilizou a melhor alternativa encontrada no teste 1 como AG/CA, tambm contendo poos verticais e hori-
semente inicial (ver seo 2.1.1-d), comeando a evoluir zontais. O melhor VPL encontrado neste teste foi de
a partir desta melhor soluo.
Pelos resultados apresentados na Tabela 2, percebe-se rod
P tor6
u
que os melhores VPLs foram obtidos pelo algoritmo de e
j ctor1
In
rod
P tor2
u rod
P tor1
u e
j ctor3
In
Coevoluo. Os testes 1 e 2, em que se utiliza um Algo-
e
j ctor4
In rod
P tor4
u
ritmo Gentico puro, a convergncia para valores positivos rod
P tor3
u
mais lenta, devido complexidade do problema e falta e
j ctor2
In rod
P tor5
u
de recursos capazes de agilizar a convergncia. O teste 2
utilizou a melhor alternativa encontrada no teste 1 como e
j ctor5
In

semente inicial (ver seo 2.1.1-d), comeando a evoluir

a partir desta melhor soluo.
O modelo hbrido do AG/AC demonstrou uma melhor
capacidade de convergncia para bons valores de VPL,
mostrando-se mais eficiente que o modelo AG. Os
testes 4 e 5 usaram somente um tipo de poo, tendo sido
propostos por especialistas e obtendo resultados como o
esperado.
A seguir so detalhados os resultados de alguns testes
descritos nas Tabelas 1 e 2. Para cada teste apresentado
Figura 10. Configurao teste 1.
a seguir, so fornecidos: o VPL alcanado de cada teste;
a curva de desempenho dos algoritmos de otimizao; e
1,00E + 07
a distribuio de poos encontrada. A curva de desem-
3,00E + 07
penho dos algoritmos de otimizao, denominada Score,
Avaliao

5,00E + 07
mostra a avaliao da melhor alternativa a cada gerao. 7,00E + 07
Por ela pode-se verificar como ocorreu a convergncia 9,00E + 07
do algoritmo. 1,10E + 08
1,30E + 08
100
109

127
136
145
154
118

3.1.1 Algoritmo gentico

10
19
28
37
46
55
64
73
82
91
1

O teste 1 foi realizado somente com o uso de Geraes

Algoritmos Genticos e contendo poos verticais e hori- Figura 11. Grfico score teste 1.

Tabela 2. Resultados.
Algoritmo gentico
Teste Tipo poo N poos Melhor VPL
1 Vertical/horizontal 5 injetores/6 produtores 1,38.107
2 Vertical/horizontal 6 injetores/12 produtores 9,47.107
Algoritmo genticos/algoritmo cultural
Teste Tipo poo N poos Melhor VPL
3 Vertical/horizontal 5 injetores/11 produtores 1,55.108
4 Vertical 15 injetores/16 produtores -1,9.108
5 Horizontal 1 injetor/2 produtores 1,9.108
Coevoluo
Teste Tipo poo N poos Melhor VPL
6 Vertical/horizontal 2 injetores/6 produtores 1,97.108
7 Vertical/horizontal 2 injetores/5produtores 2,25.108

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

 Otimizao de alternativas para o desenvolvimento de campos de petrleo 499

U$ 155.414.702,70, correspondente a: 5 poos injetores de desempenho do algoritmo (Score) e a Figura 17 o grfico

e 11 poos produtores.
A Figura 12 mostra a configurao de poos encon-
trada e a Figura 13 apresenta o grfico de desempenho do
algoritmo. O tempo gasto neste experimento foi de apro-
ximadamente 25 horas, sendo o tempo mdio de cada
simulao, como no caso anterior, igual a 20 segundos.
3.1.3 Coevoluo
O teste 6 foi realizado com o uso de coevoluo com
poos verticais e horizontais. O melhor VPL encontrado
neste teste foi de U$ 197.649.844,80, correspondente a:
2 poos injetores e 6 poos produtores.
As Figuras 14 e 15 apresentam a configurao de poos
encontrada e o grfico de desempenho do algoritmo neste
teste, respectivamente. O tempo gasto neste experimento
foi de aproximadamente 30 horas, sendo o tempo mdio
de cada simulao tambm igual a 20 segundos.
3.1.4 Processamento distribudo
O processamento distribudo foi aplicado no algoritmo
de melhor desempenho, isto , Coevoluo, teste 7. Foram
utilizados 20 computadores. A Figura 16 mostra o grfico
do percentual de uso dos computadores durante o processo
de evoluo distribudo. O tempo gasto para rodar o algo-
ritmo de Coevoluo com 70 geraes foi de 3 horas.
Na Figura 17, as alturas das barras representam a quan-
tidade relativa de avaliaes realizadas por cada um dos
20 computadores. Assim, barras mais altas correspondem
a computadores mais potentes que realizaram um maior
percentual do total de avaliaes da otimizao.
3.2 Discusses
Os resultados obtidos com os testes apontam, pelas
curvas score, uma otimizao consistente durante a
evoluo e indicam que as tcnicas de Computao Evolu-
cionria utilizadas - Algoritmos Genticos, Algoritmos
Culturais e Coevoluo -, so adequadas otimizao
do problema de alternativas para desenvolvimento de
campos de petrleo. Tipicamente, essas curvas denotam
maior inclinao no incio e uma convergncia no final
da evoluo, isto , um nmero maior de geraes no
seria vantajoso tendo em vista o alto custo computacional
2
O
R
P
V

J1
IN
V
e
j ctor4
In

rod
P tor7
u 4
O
R
P
H
6
O
R
P
H
rod
P tor1
u rPod
tor5
u 3
O
R
P
V

rod
P tor11
u e
j ctor1
In
e
j ctor2
In J2
IN
H
rod
P tor3
u
e
j ctor3
In
e
j ctor5
In
rPod
tor8
u
rod
P tor4
u
1
O
R
P
V 5
O
R
P
H

rod
P tor6
u rod
P tor10
u

rod
P tor2
u
rod
P tor9
u

Configurao teste 3. Figura 14. Configurao teste 6.

1.64E + 08
2,15E + 08
1.44E + 08 1,95E + 08
1.24E + 08 1,75E + 08
Avaliao

Avaliao

1,55E + 08
1.04E + 08 1,35E + 08
8.40E + 07 1,15E + 08
9,50E + 07
6.40E + 07 7,50E + 07
4.40E + 07 5,50E + 07
1
11
21
31
41
51
61
71
81
91

111
101

121
131
141
151

1 4 7 10 13 16 19 22 25 28 31 34 37 40 42 46 49
Geraes Geraes

Figura 13. Grfico score teste 3. Figura 15. Grfico score teste 6.

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

500 Almeida et al.

dos experimentos. Este custo computacional , essen- horizontais permite uma maior obteno de leo com um
cialmente, devido execuo constante do simulador custo de perfurao relativamente menor.
de reservatrios. Em mdia, cada experimento levou Outro requisito importante foi observado por um
30 horas num PC de 1000 MHz. Caso exista interesse especialista: a proporo do nmero de poos injetores
em se obterem solues mais rapidamente, aceitando e produtores, alcanado nos testes, indica que o nmero
uma reduo na preciso do modelo, pode-se utilizar um de poos injetores nunca maior que o nmero de poos
nmero menor de geraes e indivduos. produtores, no mximo deve existir uma proporo de
Das tcnicas inteligentes utilizadas neste artigo, a 1 para 1. Isso foi validado por especialistas como uma
Coevoluo ofereceu maior desempenho (melhores boa caracterstica do algoritmo.
resultados com um menor nmero de geraes), alcan-
ando alternativas que apresentaram maiores valores de
VPL. Isso pode ser visto comparando-se os testes feitos 4 Concluses e trabalhos futuros
por meio das curvas de desempenho. Assim, a conver- Os resultados encontrados indicam de forma promis-
gncia para melhores resultados ocorre de forma mais sora que as tcnicas de computao evolucionria usadas,
rpida para o algoritmo de Coevoluo. algoritmo gentico, algoritmo cultural e coevoluo,
Os testes 4 e 5 foram propostos por um especialista, podem se tornar boas ferramentas de apoio para encon-
e os resultados encontrados foram compatveis com o trar melhores alternativas de explorao de um campo de
esperado. No teste 5, no qual se tem somente o uso de petrleo, confirmando o objetivo deste estudo.
poos horizontais, os valores de VPL encontrados foram A representao do cromossomo proposta e utilizada
mais altos do que no teste 3, em que se tem o uso de no sistema consegue tratar vrias particularidades do
poos verticais e horizontais. Comparando o teste 5 com problema:
o teste 4, a diferena ainda maior. No teste 4, com
a) permite a criao de poos verticais e/ou horizon-
apenas poos verticais, o VPL no saiu de valores nega-
tais;
tivos. Esse resultado era esperado, pois o uso de poos
b) permite delimitar um nmero mximo de poos a
ser empregado na explorao do campo, evitando
3,E +14
solues indesejveis como poos em todas as loca-
2,E +14
lizaes da malha;
2,E +14
o
vAalia

c) considera a existncia de reas imprprias para

1,E +14
explorao dentro dos limites da malha do reserva-
7,E +13
trio e no deixa que poos sejam criados nessas
2,E +13
1 5 9 13 1721 25 29 3337 41 45 49 53 57 61 65 69 regies; e
eraes
G d) permite a utilizao de conhecimento prvio, ou seja,
Figura 16. Grfico score teste 7. possvel aproveitar alternativas dadas pelo especia-

800
750
700
Nmero de avaliaes realizadas

650
600
550
500
450
400
8,09%
7,52%

7,27%
7,25%

7,07%

350
7,11%

7,11%

7,02%
7,01%
6,86%

300
250
4,22%
4,18%

200
150
2,65%

2,62%

2,63%

2,63%

2,59%
2,48%
1,93%

1,75%

100
50
0
Reggae

Bolero

Xote

Minueto

Swing

Charme

Jazz

Diablada

Polca

Siquri

Mambo

Rumba

Tuntuna

LPE-09

LPE-08

LPE-17

LPE-04

LPE-18

LPE-16

LPE-15

Processadores ativos
Figura 17. Computadores usados na avaliao distribuda.

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

 Otimizao de alternativas para o desenvolvimento de campos de petrleo 501

lista e evoluir a partir delas no sentido de encontrar
melhores alternativas, reforando a utilidade deste
sistema como uma ferramenta de apoio deciso.
Foram feitos testes com um sistema utilizando AG,
um sistema hbrido utilizando AG/AC e um sistema utili-
zando Coevoluo. Os trs sistemas apresentaram bom
desempenho, encontrando alternativas com altos valores
de VPL, sendo que o sistema com Coevoluo consegue
convergir para melhores valores com um menor nmero
de ciclos. Com o uso de avaliaes distribudas, o tempo
computacional foi reduzido consideravelmente.
O sistema hbrido AG/AC oferece uma melhora no
desempenho, uma vez que na evoluo cultural no se
consideram apenas cromossomos promissores, mas
tambm genes promissores, evitando assim que informa-
es de bons genes, contidos em cromossomos no to
bem avaliados, sejam desperdiadas.
A evoluo com Coevoluo conseguiu chegar aos
melhores resultados. Existem duas razes principais
pelas quais algoritmos evolucionrios convencionais no
so totalmente adequados para resolver esse problema de
grande complexidade. Em primeiro lugar, os algoritmos
genticos convencionais impedem, a longo prazo, a
preservao de certos componentes da soluo, pois, por
estarem codificados por completo em um indivduo, eles
so avaliados como um todo e apenas os subcomponentes
que pertencem a indivduos com avaliaes altas sero
preservados. Em segundo lugar, o fato da representao
estar relacionada a uma soluo completa e por no haver
interaes entre os membros da populao, no existe
presso evolucionria para a ocorrncia de co-adap-
tao, ou seja, no existe presso para a adaptao de um
subcomponente dada a ocorrncia de uma mudana em
outro subcomponente (DURHAM, 1991).
Com relao ao algoritmo otimizador, prope-se a
investigao nos seguintes itens:
a) Alterar o modelo para evoluir no s localizaes,
quantidades e tipos de poos, mas tambm o momento
em que estes devam iniciar a sua produo;
b) Considerar, na avaliao da alternativa, o custo
da retirada da gua que vem junto com o leo em
sistemas de extrao de leo de tipo Water Flooding;
c) Com relao trajetria dos poos, prope-se
estender o sistema existente de forma tal que os
poos sejam definidos pela trajetria sem importar
o tipo (vertical ou horizontal), visando com isso
suportar a otimizao de configuraes angulares e
multilaterais; e
d) Criar um Aproximador de Funo para inferir a
resposta do simulador de reservatrios, reduzin-
do-se significativamente o tempo de processamento
requerido.
Todos esses itens j foram iniciados e encontram-se
em andamento.

Selection of alternatives for the development of oil fields

Abstract

This paper presents an optimization system for the development of petroleum fields. Developing a petroleum field
consists of choosing an alternative exploitation of an already known and delimited petroleum reservoir allowing the
maximum hydrocarbon production within the physical and economical limitations i.e., maximizing the net present
value (NPV). The net present value is calculated according to the oil production, which is obtained with the use of a
reservoir simulator. Each reservoir simulation can take from few seconds to several hours, depending on the complex-
ity of the reservoir being modeled. This reduces the total number of configurations that can be generated and evaluated
by the user in search for the best solution. Therefore, this work proposes and evaluates a new intelligent, optimization
system that employs genetic algorithms (GA), cultural algorithms (CA), and co-evolution in order to search for an op-
timal development alternative in a parallel computing environment for reservoir simulations and NPV calculation. The
proposed system provides the user, in a reasonable time, with the optimum (or sub-optimum) configuration for the de-
velopment of the petroleum field. The results obtained in the case studies demonstrate that the proposed system, based
on intelligent techniques, enable good configurations for the development of petroleum fields with a great reduction in
computational time. This reduction is obtained from the computational power of the parallel computing environment
and from the expert knowledge, through the initial configuration of the optimizing system (initial seed).
Keywords: Genetic algorithms. Cultural algorithms. Co-evolution. Optimization. Petroleum reservoir development. Reser-
voir engineering. Distributed genetic algorithm. Parallel computing.

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007

502
Referncias bibliogrficas
ALMEIDA, L. F. Otimizao de alternativas para
desenvolvimento de campo de petrleo utilizando
computao evolucionria. 82 f.. Dissertao (Mestrado)
Puc-RJ, Rio de Janeiro, fev. 2003.
BACK, T. Evolutionary algorithms in theory and practice.
Oxford, UK: Oxford University Press, 1996, 314 p, ISBN 0-19-
509971-0.
BECKNER, B. L.; SONG, X. Field development planning using
simulated annealing: Optimal economic well scheduling and
placement. SPE Annual Technical Conference & Exhibition,
Dallas, Texas, oct. 22-25, 1995, Paper No. SPE 30650,
p. 209-221.
BITTENCOURT, A. C. Optimizing hydrocarbon field
development using a genetic algorithm based approach.
PhD thesis, Stanford University, CA,1997.
BITTENCOURT, A. C.; HORNE, R. N. Reservoir development
and design optimization. SPE Annual Technical Conference
and Exhibition, San Antonio, Texas, October 5-8, 1997, Paper
No. SPE 38895, 14p.
BREALEY, R.; MYERS, S. Principles of corporate finance.
New York: McGraw-Hill series in finance, 1981, ISBN
0070074178.
CANT-PAZ, E. Designing efficient master-slave parallel
genetic algorithms. Genetic Programming 1998. In: ANNUAL
CONFERENCE, 3., 1998, San Francisco, CA, USA.
Proceedings... Madison, Wisconsin, USA: University of
Wisconsin, Morgan Kaufmann, jul. 22-25, 1998. p. 455- 467.
COHOON, J. P. et al. Punctuated equilibria: A parallel genetic
algorithm. In: INTERNATIONAL CONFERENCE OF
GENETIC ALGORITHMS, CAMBRIDGE, 2., 1987, , USA.
Proceedings... Massachusetts: Lawrence Erlbaum Associates,
1987, p. 148-154, ISBN 0-8058-0158-8.
DURHAM, W. H. Co-Evolution: Genes, culture and human
diversity. Stanford, CA: Stanford University Press, 1991,
656 p.
GOLDBERG, D. E. Genetic algorithms in search, optimization,
and machine learning. Addison-Wesley Publishing Company,
Inc.1989, 372 p, ISBN 0201157675.
GUYAGULER, B., et al. Optimization of well placement in a
gulf of Mexico water flooding project. SPE Annual Technical
Conference and Exhibition, Dallas, Texas, October 2000, Paper
No SPE 63221, 10p.
GUYAGULER, B.; HORNE, R. Optimization of well placement.
Journal of Energy Resources Technology, v. 122, n. 2,
p. 64-70, jun. 2000.
HENNING, M.; VINOSKI, S. Advanced CORBA Programming
with C++. Addison-Wesley Professional Computing Series,
Pearson Education, USA, February 1999, ISBN 0-20137-927-9,
ISBN-13 9780201379273, 1120p, Upper Saddle River, NJ.
IMEX Advanced Oil/Gas Reservoir Simulator version 2000 Users
Guide. Computer Modeling Group LTD, 2000.
Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007
Almeida et al.
MICHALEWICZ, Z. Genetic Algorithms + Data Structures
= Evolution Programs. Springer, USA, 1996, 387p, ISBN
3540606769.
MITCHELL, M. An Introduction to Genetic Algorithms.
Boston, Massachusetts, USA: The MIT Press, 1996, 217p,
ISBN-10 0-262-13316-4, ISBN-13 978-0-262-13316-6.
MANDERICK, B.; SPIESSENS, P. Fine-grained parallel
genetic algorithms. In: INTERNATIONAL CONFERENCE
ON GENETIC ALGORITHMS, 3., 1989. San Francisco.
Proceedings... San Francisco, CA, USA: Morgan Kaufmann,
1989, p. 428-433, ISBN:1-55860-066-3.
OBJECT MANAGEMENT GROUP. CORBA Services: Common
Object Services Specification. Disponvel em: <ftp://ftp.omg.
org/pub/docs/formal/98-07-05>. Acesso em: 23 jul. 2003.
POTTER, M. A.; DE JONG, K. A. Cooperative Coevolution:
An Architecture for Evolving Coadapted Subcomponents.
Evolutionary Computation, v. 8, n. 1, p. 1-29. Boston,
Massachusetts: MIT Press, 2000.
PEDROSO, C. J.; SCHIOZER, D. J. Otimizao de locaes
de poos usando simulao numrica de reservatrios e
computao paralela. Rio Oil & Gas Expo and Conference,
Rio de Janeiro, October, 2000.
REYNOLDS, G. R. An introduction to cultural algorithms.
In: ANNUAL CONFERENCE ON EVOLUTIONARY
PROGRAMMING, 3., 1994. Proceedings... World Scienfific
Publishing, 1994, p. 131-139.
REYNOLDS, G. R.; CHUNG, J. C. A self-adaptive approach
to representation shifts in cultural algorithms. In: IEEE
INTERNATIONAL CONFERENCE ON EVOLUTIONARY
COMPUTATION (ICEC 96), 1996. Proceedings... may,
20-22, 1996, Nagoya University, Japan: IEEE, 1996a, ISBN
0-7803-2902-3.
______. A testbed for solving optimization problems using cultural
algorithms. Evolutionary Programming V. In: ANNUAL
CONFERENCE ON EVOLUTIONARY PROGRAMMING,
5., 1996, San Diego. Proceedings... San Diego CA, USA: MIT
Press, 1996b, ISBN: 0-262-06190-2.
TOMASSINI, M. Parallel and distributed evolutionary algorithms:
a review. In: MIETTINEN, K.; MKEL, M.; NEITTAANMKI, P.;
PERIAUX, J. (Ed.). Evolutionary Algorithms in Engineering
and Computer Science. New York, NY: Wiley, p. 113-133,
1999.
TPAC, Y. J; VELLASCO, M. M. B. R; PACHECO, M. A. C.
Selection of alternatives for oil field development by genetic
algorithms. Revista de Engenharia Trmica - RETERM.
Edio Especial n. 2, p. 51-54, Curitiba, PR, Janeiro, 2002,
ISSN 1676-1790.
ZEBULUM, R. S.; PACHECO, M. A. C.; VELLASCO, M. M. B.R.
Evolutionary Electronics: Automatic Design of Electronic
Circuits and Systems by Generic Algorithms. Florida: CRC
press, 2001, 320 p, ISBN 0849308658.
 Otimizao de alternativas para o desenvolvimento de campos de petrleo 503

Sobre os autores
Luciana Faletti Almeida
Yvn Tpac Valdivia
Marley Maria Bernardes Rebuzzi Vellasco
Marco Aurlio Cavalcanti Pacheco
Inteligncia Computacional Aplicada, ICA: Laboratrio de Inteligncia Computacional Aplicada,
Departamento de Engenharia Eltrica, Centro Tcnico Cientfico,
Pontifcia Universidade Catlica do Rio de Janeiro PUC-Rio,
R. Marques de S. Vicente 225, CEP 22453-900, Gvea, Rio de Janeiro, RJ, Brasil,
e-mails: faletti@ele.puc-rio.br; yvantv@ele.puc-rio.br; marley@ele.puc-rio.br; marco@ele.puc-rio.br

Agradecimentos: CENPES/PETROBRAS pelo suporte financeiro para a realizao deste trabalho por meio dos projetos de pesquisa
ANEPI Anlise Econmica de Projetos de E&P sob Incerteza. CMG pelo suporte oferecido com o software de simulao de reservat-
rios CMG/IMEX.

Recebido em 03/3/2006
Aceito em 03/4/2007

Gest. Prod., So Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007