Professional Documents
Culture Documents
de campos de petrleo
1 Introduo
Na engenharia de reservatrios, uma das primeiras apenas um resultado vivel que satisfaz as restries
tarefas a serem realizadas o desenvolvimento de uma operacionais e econmicas em um momento espec-
estratgia para alcanar a produo da maior quantidade fico. Isto se deve ao grande nmero de variveis que um
de hidrocarboneto possvel, dentro dos limites fsicos e engenheiro de reservatrio deve considerar de forma a
econmicos existentes (BITTENCOURT, 1997; BITTEN- alcanar a melhor estratgia para o desenvolvimento do
COURT; HORNE, 1997; GUYAGULER et al., 2000; campo. Atualmente o processo de escolha do valor de
GUYAGULER; HORNE, 2000) . A determinao dessa cada uma dessas variveis feito de forma manual.
estratgia tratada como um problema de otimizao Deste modo, um processo de otimizao que permita
de alternativas para o desenvolvimento de um campo de avaliar diferentes perfis de produo, para diferentes
petrleo, o qual envolve a anlise do sistema de explotao configuraes, de forma a determinar a alternativa tima
(determinao da disposio dos poos de petrleo e da do ponto de vista econmico sob as restries tcnicas
plataforma) e um reservatrio geolgico a ser explorado. existentes, torna-se bastante importante. Trabalhos que
Freqentemente a soluo operacional para o desen- abordam processos de otimizao, para esse problema,
volvimento de um campo de petrleo no a tima, mas so encontrados na literatura (BITTENCOURT, 1997;
2.1.1 Modelagem por algoritmo gentico profundidade em que o poo se encontra (z); a sua direo
Algoritmos genticos (AGs) so algoritmos probabi- horizontal (Dir), que pode ser x ou y; e o tamanho total
lsticos que fornecem um mecanismo de busca paralela (comprimento do poo - Dist) na direo horizontal.
e adaptativa baseado no princpio Darwiniano de sobre- A Figura 2 ilustra o cromossomo desenvolvido para
vivncia dos mais aptos e na reproduo gentica este problema.
(MITCHELL, 1996; GOLDBERG, 1989; BACK, 1996;
MICHALEWICZ, 1996). O mecanismo de busca obtido 2.1.1.2 Operadores genticos
a partir de uma populao de indivduos (solues), repre- Os operadores mais conhecidos nos AGs so os de:
sentados por cromossomos (palavras binrias, vetores, cruzamento (crossover), que um operador baseado na
etc.), cada um associado a uma aptido (avaliao da troca de partes dos cromossomos selecionados (pais),
soluo), que so submetidos a um processo de evoluo formando-se duas novas solues (filhos); Mutao,
(seleo, reproduo, cruzamento e mutao) por vrios que a troca aleatria do valor contido nos genes de
ciclos. um cromossomo por outro valor vlido do alfabeto; e
Reproduo, que o processo de selecionar e copiar um
2.1.1.1 Representao do cromossomo determinado cromossomo para a populao seguinte de
A representao do cromossomo na modelagem do acordo com sua aptido.
AG deve ser capaz de descrever corretamente o espao Neste trabalho foram utilizados os seguintes opera-
de busca relevante do problema. Deste modo, a represen- dores:
tao escolhida neste trabalho possui tamanho varivel a) cruzamento aritmtico (MICHALEWICZ, 1996);
(ZEBULUM et al., 2001), uma vez que no se conhece mutao LocalMove (ALMEIDA, 2003);
a priori o nmero de parmetros a serem otimizados b) mutao FlipWelll (ALMEIDA, 2003);
(nmero de poos da alternativa). Assim, o comprimento c) reproduo Steady State (elitismo) (MICHA-
do cromossomo alterado no decorrer da evoluo, LEWICZ, 1996);
sendo este comprimento interpretado como o nmero de d) mutao uniforme (MICHALEWICZ, 1996);
genes ativos. e) mutao AddWelll (ALMEIDA, 2003); e
O cromossomo formado por uma dupla estrutura f) mutao AddFiveSpotWelll (ALMEIDA, 2003);
(Figura 2): uma que contm a descrio da alternativa Os operadores cruzamento aritmtico e mutao
(cromossomo); e outra que define a ativao dos genes uniforme so operadores tradicionais de algoritmos
(mscara de ativao). A estrutura do cromossomo genticos, descritos em Michalewicz, 1996. J os opera-
dividida em duas partes: a primeira contendo informa- dores Local Move, AddWell, FlipWell e AddFiveSpotWell,
es sobre os poos verticais e a segunda sobre os poos foram projetados especificamente para este projeto. Todos
horizontais. Cada uma dessas partes , por sua vez, subdi- os operadores so descritos a seguir:
a) cruzamento aritmtico: os dois cromossomos
vidida em poos injetores e poos produtores. A funo
escolhidos para sofrer o cruzamento tm todos os
da mscara de ativao exatamente indicar, dependendo
seus genes alterados da seguinte maneira: x1 = a *
de seu valor (0 ou 1), quais genes dos cromossomos esto
x1 + (1 a) * x2 e x2 = a * x2 + (1 a) * x1, em que
ativos e quais esto inativos (ALMEIDA, 2003). Cada
xj um gene alterado do cromossomo j, e a um
gene do cromossomo contm informaes referentes
nmero real aleatrio compreendido entre zero e um,
localizao de um certo poo, sendo que essas informa-
garantindo assim que os valores de x1 e x2 conti-
es so representadas por nmeros inteiros.
nuem pertencendo ao domnio. Vale ressaltar que,
Para poos verticais, a informao refere-se apenas
como o cromossomo trabalha com nmeros inteiros,
posio (x, y) do poo. J para os poos horizontais,
os valores resultantes do cruzamento so truncados,
alm da posio (x, y), necessrio especificar tambm a
sendo considerada somente a parte inteira.
b) mutao uniforme: o valor do gene i do cromos-
Mscara de ativao
somo que sofre a mutao alterado por: x(i) = left
+ (rightt left)*a, em que left o limite inferior do
0 1 0 1 1 0 1 0
domnio do gene; rightt o limite superior; e a um
nmero aleatrio entre zero e um. Da mesma forma
Cromossomo que no caso anterior, como o cromossomo trabalha
Vertical Vertical
apenas com nmeros inteiros, o valor resultante da
XYZ XYZ XYZ XYZ
XY XY XY XY mutao truncado, considerando somente a parte
Dir Dist Dir Dist Dir Dist Dir Dist
inteira.
Injetor Produtor Injetor Produtor
c) LocalMove: o valor do gene do cromossomo sofre
Figura 2. Representao do cromossomo do AG. um deslocamento de 1 para mais ou para menos,
dependendo do sorteio feito a partir de uma varivel (por meio da mscara de ativao) e no ser consi-
aleatria. Essa mutao tem como objetivo fazer derado na avaliao;
pequenos deslocamentos com os poos, explorando b) poos produtores tm prioridade sobre poos
assim sua vizinhana. injetores: neste caso, se poos do mesmo tipo (hori-
d) AddWell: atua sobre a mscara do cromossomo zontais ou verticais) estiverem em configurao
somente no sentido de ativao dos genes (mudana invlida, o produtor ser mantido e o injetor ter seu
0 1 na mscara de ativao). bit de mscara de ativao colocado em zero;
e) FlipWell: o operador permite a ativao e desati- c) os poos devem respeitar uma distncia mnima
vao de genes de forma oscilatria ao longo das entre si, isto , dois poos quaisquer da alternativa
geraes (mudana 0 1 ou 1 0 na mscara de no podem estar a uma distncia inferior a um raio
ativao). de distncia mnima especificado, raio este geral-
f) AddFiveSpotWell: tem como objetivo ativar uma mente fornecido pelo especialista. Esta restrio,
alm de evitar poos muito prximos, tambm evita
configurao pr-estabelecida de poos conhecida
a superposio de poos (o que significaria valor de
como fivespot. Essa configurao de poos
distncia zero entre dois poos quaisquer);
composta de um poo produtor cercado por quatro
d) poos horizontais tm um comprimento mximo,
poos injetores eqidistantes a ele, formando um
tambm especificado pelo especialista; e
quadrado. Na opinio de especialistas, esta estru-
e) no podem ser criados poos no local definido como
tura costuma dar bons resultados quando inserida posio da plataforma.
em locais adequados. A Figura 3 ilustra uma confi- As restries descritas acima tambm so usadas nos
gurao five spot; e demais modelos de otimizao descritos nas sees 2.1.2
g) SteadyState: troca parcial da populao, na qual os e 2.1.3.
M melhores indivduos da populao corrente so
copiados para a populao seguinte. 2.1.1.4 Uso de conhecimento prvio
O sistema de otimizao de alternativas proposto neste
2.1.1.3 Validao das alternativas trabalho permite a utilizao de conhecimento prvio, ou
Durante a evoluo do AG podem ser geradas configu- seja, podem-se aproveitar alternativas fornecidas por espe-
raes com posies duplicadas de poos verticais e/ou cialistas ou alternativas obtidas a partir de experimentos
horizontais, alm de poos horizontais muito prximos anteriores e efetuar o processo de evoluo dos algoritmos
uns dos outros ou mesmo com alguma interseo. Estas genticos a partir delas, introduzindo estas alternativas
configuraes so inaceitveis e, na maioria dos casos, na populao inicial do novo experimento. Esse conheci-
no podem ser simuladas. mento chamado de Semente Inicial, a qual adicionada
Para evitar que essas configuraes invlidas sejam primeira populao. Isto de grande importncia quando
enviadas ao Simulador de Reservatrios, necessrio a avaliao tem um alto custo computacional, pois, alm
efetuar uma validao das trajetrias de todos os poos de possibilitar a adio do conhecimento do especialista,
gerados pelo AG previamente, antes que o cromossomo permite iniciar novos experimentos a partir de resultados
seja avaliado. Esta funo de validao segue as seguintes obtidos em experimentos anteriores, favorecendo a busca
heursticas: de melhores solues. Dada a caracterstica elitista dos
a) poos horizontais tm prioridades sobre poos verti- algoritmos genticos, a soluo resultante no poder ser
cais: isto significa que caso um poo horizontal e um pior do que as inseridas como semente inicial. Assim, a
vertical estejam formando uma configurao inv- influncia da semente inicial no resultado da otimizao
lida (por exemplo, distncia entre os poos inferior vai depender diretamente de sua qualidade como soluo,
ou seja, se a semente inicial for a soluo tima ou quase-
mnima permitida), o poo vertical ser eliminado
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
evoluda, juntamente com seus operadores e mecanismo b) generalizao: Se h uma evidncia de indivduos
de avaliao; o espao de crena, o qual representa a aceitveis fora do intervalo atual, ento o intervalo
experincia que est sendo adquirida pela populao deve ser ampliado para incluir os novos indivduos.
durante o processo de soluo do problema; e o proto- c) diviso: Este um caso particular de especializao,
colo de comunicao que determina a interao entre a no qual os genes pertencentes a um determinado
populao e o espao de crena. intervalo esto concentrados em mais de um ponto
No modelo utilizado neste estudo, a componente no interior deste intervalo; e
populao do AC modelada pelo AG descrito na seo d) fuso: Este um caso especial de generalizao em
2.1.1. que existem genes na vizinhana de dois intervalos
O Espao de Crenas composto por padres que bastante prximos e, por isso, ambos os intervalos
representam as caractersticas dos melhores indivduos devem ser fundidos.
da populao. O espao de crena se comporta como
um cromossomo que, ao invs de ter um valor para cada 2.1.3 Modelagem com coevoluo
informao de cada gene, possui um ou mais intervalos Na modelagem por coevoluo, tem-se a decompo-
de valores (ALMEIDA, 2003). Estes intervalos influen- sio do problema em submdulos, de forma que se possa
ciam a avaliao dos indivduos da populao: caso ter a evoluo de subcomponentes interdependentes, em
algum indivduo tenha o valor de um gene dentro de um que cada um deles pode evoluir independentemente dos
dos intervalos presentes no espao de crenas, este indi- demais. Essa interdependncia normalmente complexa,
vduo ganha um bnus na sua avaliao. isto , o efeito de mudar um subcomponente provoca uma
O protocolo de comunicao composto por dois deformao no espao de buscas dos outros subcom-
processos: ponentes que esto acoplados por esta interdependncia.
a) o processo de votao: escolhe os melhores indi- (DURHAM, 1991; POTTER; DE JONG, 2000).
vduos de uma gerao do AG para que estes Neste artigo, foi utilizado um modelo coevolucio-
influenciem o espao de crena. Os melhores indi- nrio cooperativo genrico (DURHAM, 1991). Nesta
vduos so escolhidos em termos de porcentagem, arquitetura, duas ou mais espcies diferentes formam um
e o parmetro pBestt representa o percentual dos ecossistema. Como na natureza, as espcies so gene-
melhores indivduos da populao que iro influen- ticamente isoladas, ou seja, os indivduos s podem se
ciar o Espao de Crena; e reproduzir com outros indivduos da mesma espcie. Isto
b) o processo de promoo: determina como o espao feito simplesmente isolando-se as espcies em popu-
de crenas capaz de influenciar um componente da laes separadas. As espcies somente interagem umas
populao. Essa influncia ocorre pela alterao das com as outras por um domnio compartilhado e tm uma
avaliaes dos indivduos da populao. Essa alte- relao apenas de cooperao. Um diagrama do modelo
rao feita com o uso de um parmetro chamado coevolucionrio cooperativo proposto para o problema
bnus, o qual possui um valor que influencia a de otimizao de alternativas mostrado na Figura 5.
avaliao do cromossomo no sentido de melho- O modelo de coevoluo utilizado neste estudo possui
r-la. duas populaes a serem evoludas: uma composta pelos
A influncia dos melhores indivduos no espao poos horizontais e outra pelos poos verticais. Na
de crena feita por meio do uso de operadores Figura 5, mostra-se a populao de poos verticais sendo
(REYNOLDS; CHUNG, 1996b) descritos abaixo. avaliada, utilizando a populao de poos horizontais
Um exemplo ilustrativo sobre cada um dos operadores como colaboradora. A escolha destas duas populaes
descritos abaixo apresentado na Figura 4. deveu-se s diferenas das capacidades de obteno de
a) especializao: Se os genes pertencentes a algum
intervalo que compe o espao de crena esto Espcie 1 Espcie 2
concentrados em algum ponto deste intervalo, este Indivduo
Algoritmo Algoritmo
intervalo deve ser reduzido. evolucionrio Fitness evolucionrio
Populao
[ ++ +++] ++ [+++++] [++ +++] [++] +++ [+++]
Populao Populao
poos poos
[++ +++] [++ +++++] [++] [+++] [++ +++ +++] horizontais
verticais
Especializao Generalizao Diviso Fuso Colaborador
leo e custo de perfurao e manuteno entre poos so lidos do arquivo de especificao uma nica vez e
verticais e horizontais. usados para iniciar o algoritmo otimizador, permane-
A Figura 6 ilustra os cromossomos referentes s cendo fixos durante toda a evoluo.
duas populaes da coevoluo. O significado de cada Alm dessas especificaes geomtricas, o modelo
parmetro nos genes dos dois cromossomos o mesmo otimizador tambm obtm do arquivo de especificao
descrito na seo 2.1.1. Da mesma forma, os operadores (em uma seo denominada *NULL) informaes sobre
utilizados aqui so os mesmos descritos na seo 2.1.1. os blocos inativos da malha de reservatrio. Estes blocos
so utilizados para determinar posies onde no se
2.2 Mdulo simulador podem perfurar poos, devido, por exemplo, a condies
Para se obterem os perfis de produo de leo, gs e como porosidade nula. Caso essa seo seja encontrada,
gua a serem utilizados na avaliao de cada alternativa, o algoritmo otimizador mapeia toda a rea invlida, utili-
utiliza-se o Simulador (IMEX : Advanced Oil/ Gas Reser- zando-a como restrio na inicializao da populao e
voir Simulator Version 2002 da CMG) (IMEX, 2000) que no uso de operadores de crossover e mutao, evitando
possui muitas caractersticas relevantes, sendo as mais assim que poos sejam criados nessas reas imprprias
importantes para este trabalho as seguintes: para explorao.
a) gerenciamento detalhado de poos; Aps a criao de uma populao, o algoritmo otimi-
b) simulao de poos verticais, horizontais e diago- zador especifica uma determinada configurao de poos,
nais; e utilizando a sintaxe padro do IMEX, por meio de um
c) porosidade e permeabilidade duplas. arquivo include.inc, o qual lido pelo simulador.
Dado que o simulador um mdulo separado, a Aps o trmino da simulao da alternativa forne-
comunicao entre o algoritmo otimizador e o simulador cida pelo algoritmo otimizador, o simulador fornece um
de reservatrios d-se por meio de arquivos, havendo arquivo de sada contendo informaes sobre a produo
comunicao nos dois sentidos (escrita de arquivos na de leo, gs e gua em condies de superfcie e refe-
linguagem do simulador e leitura de alguns arquivos rentes ao campo em sua totalidade. Esses dados so
fornecidos pelo simulador). Deste modo, o algoritmo empregados pelo mdulo clculo do valor presente
otimizador acessa informaes sobre o modelo de reser- lquido, para a determinao da avaliao da alternativa,
vatrio especificado para o simulador, recuperando dados conforme descrito na seo a seguir.
sobre a geometria do reservatrio tais como: dimenses
2.3 Clculo do valor presente lquido (VPL)
da malha; tipo de malha; e nmero de blocos nas direes
Conforme mencionado, no sistema de otimizao de
i, j, k, que servem para obter uma matriz de distncias,
alternativas proposto neste trabalho, cada cromossomo
necessria para o clculo das trajetrias dos poos e para
representa uma alternativa a ser avaliada. Esta avaliao
a definio dos domnios de cada gene. Todos estes dados
ocorre da seguinte forma:
a) a alternativa gerada pelo mdulo otimizador inse-
Populao Vertical rida no mdulo simulador;
Mscara de Ativao b) o mdulo simulador fornece um perfil de produo
0 1 0 1 1 0 1 0 do campo (curvas de produo de leo, gs e aflu-
ncia de gua) dependendo da configurao de
Cromossomo
Vertical poos encontrada e do tempo simulado em anos; e
XY XY XY XY XY XY XY XY c) o perfil de produo obtido inserido no mdulo
de clculo do VPL, o qual fornece a avaliao da
Produtor Injetor alternativa (cromossomo) especificada pelo mdulo
otimizador.
Populao Horizontal O valor presente representa uma precificao no dia de
Mscara de Ativao hoje para algum objeto ou evento que ocorrer somente
0 1 0 1 1 0 1 0 no futuro. Para isto, torna-se necessrio ter uma boa
previso do comportamento deste evento futuro no dia
Cromossomo de hoje. Para o problema de alternativas de produo,
Horizontal
XYK XYK XYK XYK XYK XYK XYK XYK os eventos so os fluxos de caixa (BREALEY; MYERS,
Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist Dir Dist 1981) para determinados espaos de tempo. Estes espaos
de tempo ficam atrelados aos valores que o simulador de
Produtor Injetor
reservatrios ir fornecer. O ajuste ao tempo presente
Figura 6. Representao dos cromossomos das populaes da mo- feito por um decremento do valor previsto no futuro, o
delagem de coevoluo. qual depende da diferena temporal entre hoje e o tempo
de ocorrncia futuro e uma taxa de desconto exponen- em que o valor presente da receita VPR depende da
cial. Como um evento segmentado no tempo, o valor produo de leo Q(t) mais a produo de barril-equiva-
presente ser o somatrio de todos estes valores descon- lente de gs G(t)/1000, do preo de petrleo Poil(t), nos
tados exponencialmente no tempo, conforme especificado diferentes intervalos de tempo t, e da constante de amor-
na expresso seguinte: tecimento R. Como neste caso as condies de mercado
n so de certeza, o preo do petrleo no tempo t pode ser
VPX xei St i
(1) expresso como uma funo Poil(t) constante. Assim, para
i0
cada intervalo de tempo o valor da receita pode ser obtido
em que xi o evento no tempo i, ti a distncia temporal como:
do evento xi e R o valor da taxa de desconto exponen-
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
aproveitar a grande capacidade de computao conjunta nicaes master-slave, adequada para os modelos de
de ambientes colaborativos de pesquisa e desenvolvi- algoritmos genticos, algoritmos culturais e os algoritmos
mento, a computao paralela e os sistemas distribudos de coevoluo cooperativa utilizados neste trabalho. A
cada vez mais atendem crescente demanda por recursos Figura 7 mostra a arquitetura master-slave aqui empre-
computacionais a baixo custo. gada.
O sistema de otimizao proposto iterativo e requer Na Figura 7, o masterr e cada slave so, normalmente,
uma grande quantidade de simulaes de reservatrio. aplicaes instanciadas em diversos computadores de
Dado que a execuo de uma destas simulaes pode uma rede local de alto desempenho. Pode-se notar que o
levar minutos ou horas para ser realizada, surge a neces- computador master se comunica com cada um dos slaves
sidade de aproveitar o poder computacional de um grupo enviando um indivduo (cromossomo) a ser avaliado, e
de processadores pelo uso de ambientes de computao fica aguardando o valor de aptido calculado pelo slave.
paralela e distribuda aplicada a sistemas de otimizao Assim, vrios indivduos podem ser avaliados simul-
evolucionria. taneamente, por diferentes slaves, pois o masterr fica
Na literatura encontram-se diferentes modelos de aguardando a finalizao de cada avaliao para enviar
algoritmos genticos distribudos (TOMASSINI, 1999; um novo indivduo a cada slave, at se esgotarem os indi-
COHOON et al., 1987; MANDERICK, 1989) que vm vduos da populao.
a ser os prprios algoritmos genticos inseridos de dife- Com o propsito de adequar na implementao o
rentes formas em uma arquitetura de computao paralela sistema desenvolvido ao modelo do algoritmo global, o
ou distribuda. Dentro destes algoritmos ressaltam-se os ambiente de processamento distribudo foi dividido em
seguintes: trs grandes mdulos:
a) algoritmo trivial (CANT-PAZ, 1998): realiza a a) mdulo de dados: que contm as informaes
execuo simultnea de vrias verses de um mesmo necessrias para realizar a otimizao: campos,
problema de otimizao em vrios processadores alternativas existentes e parmetros para o clculo
independentes, com diferentes populaes iniciais ou do VPL;
diferentes valores de parmetros do AG. Apesar desta b) mdulo de engenharia: que contm os algoritmos
ser a forma mais simples de paralelismo, j se obtm utilizados na otimizao, algoritmos genticos,
redues no tempo de execuo e obteno de estats- algoritmos culturais e coevoluo; e
ticas para um problema baseado em AG; e c) mdulo de cenrios: que contm as rotinas refe-
b) algoritmo global de populao simples rentes avaliao de alternativas, como o linkk com o
(CANT-PAZ, 1998): um algoritmo gentico com simulador de reservatrios e o clculo do VPL.
uma nica populao em que apenas o mdulo de Os mdulos de dados e engenharia esto instanciados
avaliao executado no ambiente distribudo. A no masterr e o mdulo de cenrios replicado e instan-
grande vantagem est na independncia existente ciado em cada um dos slaves existentes.
entre as avaliaes de cada indivduo da populao, De forma a permitir a comunicao entre os trs
a qual viabiliza a realizao de mltiplas avaliaes mdulos, foram criadas duas interfaces de comunicao:
distribudas ao longo dos diversos processadores a) interface para envio de dados de cenrio e iniciali-
existentes na rede de computadores. A arquitetura zao; e
de comunicaes empregada a master-slave. O
processador masterr contm a populao, operadores
e mtodos de seleo do algoritmo gentico, e os Master
populao,
processadores slave contm a funo de avaliao. operadores,
Assim, com a possibilidade de se realizar avaliaes seleo
simultneas, h um ganho considervel no tempo de
otimizao, j que a avaliao normalmente consome
o
du
v
o
In
b) interface para envio de cromossomo e retorno da possuem saturao de gua no valor de 0,25. Este fato cria
avaliao. a condio de heterogeneidade da reserva. A Figura 9
Estas interfaces foram implementadas utilizando a ilustra o campo-1 com uma vista em trs dimenses.
arquitetura CORBA (OMG, 2003; HENNING, 1999). Na Os testes realizados neste trabalho foram feitos no
Figura 8, mostram-se os mdulos e as interfaces de comu- campo descrito acima e utilizando os trs modelos
nicao implementadas com seus respectivos servios. propostos neste artigo. A Tabela 1 apresenta as melhores
configuraes encontradas dos parmetros dos modelos
de algoritmos evolucionrios. Essas configuraes de
3 Estudo de caso parmetros foram obtidas de forma emprica. Devido
Para a realizao dos testes do sistema de otimizao complexidade do problema, foram testadas configuraes
de alternativa proposto neste trabalho, foi utilizado um nas quais o nmero de geraes e o nmero de indivduos
modelo de reservatrio sinttico, porm com caracte- variou entre 50 e 150. Em todos os algoritmos evolucio-
rsticas prximas s de campos existentes, denominado nrios foi utilizado como critrio de parada o nmero
campo-1. A seguir feita uma breve descrio das dimen- mximo de geraes.
ses e caractersticas principais deste reservatrio. Os testes 1 e 2 foram realizados com o algoritmo
Este modelo de reservatrio consiste em uma malha de gentico descrito na seo 2.1.1. Foram usados ambos os
33 x 57 x 3 blocos, isto , 33 blocos na direo i, 57 blocos tipos de poos (vertical e horizontal) durante a evoluo
na direo j e 3 na direo k. As dimenses de cada bloco do AG. Os testes 3, 4 e 5 foram realizados com o modelo
so de aproximadamente 100,0 x 100,0 x 8,66 m. Este hbrido do AG/AC, sendo que no teste 3 foram usados
modelo no apresenta blocos nulos. Os valores geol- poos verticais e horizontais, no teste 4 somente poos
gicos do reservatrio so os seguintes: permeabilidade; verticais e no teste 5 somente poos horizontais. Os testes
575,0 (md) nas direes i, j; e 57,40 (md) na direo k; 6 e 7 foram realizados com o modelo coevolucionrio e
porosidade: 0,23; e presso inicial: de 390 at foram usados poos verticais e horizontais. Somente o
420 kg/cm2, dependendo inversamente da altura. teste 7 foi testado com o processamento distribudo.
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
Interface Interface
cenrio avaliao
Mdulo de cenrio
Scenery manager
Mdulo de dados Mdulo de
Data manager engenharia
Engine manager
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
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
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
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
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.
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
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.
lista e evoluir a partir delas no sentido de encontrar preservados. Em segundo lugar, o fato da representao
melhores alternativas, reforando a utilidade deste estar relacionada a uma soluo completa e por no haver
sistema como uma ferramenta de apoio deciso. interaes entre os membros da populao, no existe
Foram feitos testes com um sistema utilizando AG, presso evolucionria para a ocorrncia de co-adap-
um sistema hbrido utilizando AG/AC e um sistema utili- tao, ou seja, no existe presso para a adaptao de um
zando Coevoluo. Os trs sistemas apresentaram bom subcomponente dada a ocorrncia de uma mudana em
desempenho, encontrando alternativas com altos valores outro subcomponente (DURHAM, 1991).
de VPL, sendo que o sistema com Coevoluo consegue Com relao ao algoritmo otimizador, prope-se a
convergir para melhores valores com um menor nmero investigao nos seguintes itens:
de ciclos. Com o uso de avaliaes distribudas, o tempo a) Alterar o modelo para evoluir no s localizaes,
computacional foi reduzido consideravelmente. quantidades e tipos de poos, mas tambm o momento
O sistema hbrido AG/AC oferece uma melhora no em que estes devam iniciar a sua produo;
desempenho, uma vez que na evoluo cultural no se b) Considerar, na avaliao da alternativa, o custo
consideram apenas cromossomos promissores, mas da retirada da gua que vem junto com o leo em
tambm genes promissores, evitando assim que informa- sistemas de extrao de leo de tipo Water Flooding;
es de bons genes, contidos em cromossomos no to c) Com relao trajetria dos poos, prope-se
bem avaliados, sejam desperdiadas. estender o sistema existente de forma tal que os
A evoluo com Coevoluo conseguiu chegar aos poos sejam definidos pela trajetria sem importar
melhores resultados. Existem duas razes principais o tipo (vertical ou horizontal), visando com isso
pelas quais algoritmos evolucionrios convencionais no suportar a otimizao de configuraes angulares e
so totalmente adequados para resolver esse problema de multilaterais; e
grande complexidade. Em primeiro lugar, os algoritmos d) Criar um Aproximador de Funo para inferir a
genticos convencionais impedem, a longo prazo, a resposta do simulador de reservatrios, reduzin-
preservao de certos componentes da soluo, pois, por do-se significativamente o tempo de processamento
estarem codificados por completo em um indivduo, eles requerido.
so avaliados como um todo e apenas os subcomponentes Todos esses itens j foram iniciados e encontram-se
que pertencem a indivduos com avaliaes altas sero em andamento.
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.
Referncias bibliogrficas
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