UMA ABORDAGEM PARA CONSIDERAO DE OTIMIZAO

ROBUSTA EM RESERVATRIO DE PETRLEO

Jefferson Wellano Oliveira Pinto
Silvana Maria Bastos
wellano@gmail.com
smb@ufpe.br
Universidade Federal de Pernambuco
Rua Acadmico Hlio Ramos, s/n, 50740530, Pernambuco, Recife, Brasil
Ramiro Brito Willmersdorf
ramiro.willmersdorf@gmail.com
Universidade Federal de Pernambuco
Rua Acadmico Hlio Ramos, s/n, 50740530, Pernambuco, Recife, Brasil
Resumo. No gerenciamento de reservatrios, um dos grandes desafios a busca da melhor
soluo para a produo de leo. comum que as caractersticas geolgicas dos campos
estudados contenham incertezas. Uma forma de conduzir o gerenciamento timo dos
reservatrios sob incerteza atravs da otimizao robusta, que usa um conjunto de
realizaes a fim de honrar as estatsticas das incertezas geolgicas. Dado que a simulao
numrica possui um alto custo computacional, a tcnica de otimizao por aproximao
sequencial SAO (Sequential Aproximation Optimization) utilizada para reduzir o mximo
possvel o nmero de avaliaes de funo. Modelos substitutos precisos, baseados em
funes de base radial, com baixos custos computacionais sero utilizados.
Palavras-chave: Gerenciamento timo, Otimizao Robusta, Otimizao por Aproximao
Sequencial, Funes de Base Radial.

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

INTRODUO

Um grande desafio nos problemas de otimizao da injeo de gua de reservatrios de

petrleo est na variabilidade espacial e incertezas das formaes geolgicas dos
reservatrios. Uma abordagem que reduz o impacto dessas incertezas a otimizao robusta.
Na otimizao robusta, o procedimento de otimizao conduzido sobre um conjunto de
realizaes do reservatrio, onde so honradas as estatsticas das incertezas geolgicas. Com
o intuito de reduzir o tempo de processamento do procedimento, as otimizaes podem ser
feitas baseadas em um pequeno conjunto de realizaes representativo do conjunto original. A
seleo destas feito utilizando a distribuio estatstica da funo objetivo. Na engenharia de
reservatrio, a maioria dos trabalhos que utiliza a formulao robusta considera uma nica
funo objetivo que o VPL (valor presente lquido) do reservatrio. Neste trabalho so
utilizadas a mdia e o desvio padro do VPL do subconjunto tomado, o resultado da
otimizao ento propagado s realizaes originais.
A estratgia robusta tipicamente reduz a incerteza do resultado esperado comparado a
uma estratgia no robusta, isto , aumenta o valor esperado do VPL e diminui o seu desvio
padro.
Dois problemas de reservatrio so analisados, ambos so modelos black oil e as
simulaes so feitas pelo simulador comercial IMEX da CMG (CMG,2006). Para reduzir o
custo computacional da simulao, modelos substitutos baseados em ajuste de dados que
utilizam funes de base radial (RBF Radial Basis Function) so construdos. Neste caso o
modelo substituto aplicado em um processo iterativo chamado de Otimizao por
Aproximao Sequencial (SAO).

OTIMIZAO ROBUSTA

As incertezas so caractersticas de qualquer modelo geolgico devido a dados

insuficientes da ssmica, de amostras indeformadas (core samples) e diagrafias (well logs).
Alm disso, a distribuio verdadeira das propriedades do reservatrio continuar
desconhecida. Para quantificar as incertezas em um modelo geolgico, mtodos
geoestatsticos podem ser utilizados atravs da construo de mltiplas realizaes
equiprovveis das propriedades do reservatrio (Yasari, 2013; Van Essen, 2009). Isso pode
ser entendido como a discretizao do espao de incertezas desconhecido, , resultando em
um nmero finito de realizaes Rd como:

Rd = R1 , R2 , , RN R
T

(1)

Onde NT indica o nmero total de realizaes geoestatstica.

A funo objetivo, que nos casos uniobjetivo o VPL, representada por J, que funo
de parmetros de otimizao x e de realizaes geoestatsticas Rd:
J = J ( x , Rd )

(2)

Na otimizao robusta, o conjunto de realizaes pode ser usado de diferentes formas

para tratar o impacto das incertezas. A funo objetiva mais direta da otimizao robusta
baseado no resultado esperado do conjunto de realizaes. Outros objetivos podem envolver a
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

incorporao da varincia dos resultados entre outras abordagens (Van Essen et. al. , 2009;
Bertsimas et. al., 2011). Seguindo o trabalho de Van Essen et al (2009) e Yasari et al. (2013),
a funo objetivo na otimizao robusta, JRO, contando com incertezas representada pelas
mltiplas realizaes, pode ser definida da seguinte maneira:
J RO = E [ J ( x , d )] r [ J ( x , d )] E [ J ( x , d )] = J =
d

onde E [ J ( x , d ) ] = J =

1
NT

NT

1
NT

J ( x , )
i =1

(3)

NT

J ( x , )
i =1

Nesta equao, E representa o valor esperado sobre o espao de incerteza discretizado d,

d

o desvio padro e r fator de averso ao risco. Assumindo que as realizaes so

d

equiprovveis, a funo objetiva aqui utilizada pode ser escrita como segue (Yasari et al.,
2013):
max J RO = J r

2
1 N
J ( x , ) J )
(

NT 1 i =1
T

(4)

Esta funo objetivo consiste basicamente de dois componentes: o valor esperado e o

desvio padro da funo objetivo desejada.
Uma soluo ponderada do risco timo que d bom desempenho para qualquer realizao
em um dado conjunto procurada pelos tomadores de deciso na otimizao robusta (Yasari
et al., 2013). A varivel r o fator de averso ao risco que pondera o trade-off entre o valor
esperado e o desvio padro (Yasari, 2013 apud Howard, 1971). De acordo com a Eq. (4), um
r positivo significa que o tomador de deciso avesso ao risco e um r negativo significa que
pr-risco. Neste trabalho considerado um fator positivo, avesso ao risco.
Como cada avaliao da funo objetivo requer uma simulao de cada realizao
individual, o tempo de simulao para NT realizaes seria NT vezes maior que o tempo
necessrio para a otimizao baseada em uma nica realizao. Logo, seria bastante custoso
usar todas as NT realizaes na otimizao robusta. Ento, um esquema de classificao
acurado, usado por Yang et al. (2011), Yasari et al. (2013) e Fedutenko et al. (2013), fornece
uma ferramenta geoestatstica til para representar bem a incerteza das propriedades do
reservatrio. Aps as NT realizaes serem cuidadosamente classificadas, um pequeno
conjunto de realizaes representativas pode ser escolhido para a otimizao robusta,
designado como:

RR = {R1 , R2 , , RNR } Rd = R1 , R2 , , RN R
T

(5)

Com esse pequeno conjunto de realizaes, RR , a funo objetivo da otimizao robusta

pode ser escrita como:
J RO = J r

2
1 N
J ( x , Ri ) J )
(

N R 1 i =1
R

J =

1
NR

NR

J ( x, R )
i =1

(6)

A funo VPL pode ser vista como uma forma de soma ponderada das funes produo
acumulada de leo e injeo acumulada de gua.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

nt

VPL = f (q ) = [
t =1

1
F (q t )]
(1 + d ) t

(7)

onde q = q1T qT2 qTnt o vetor das mximas vazes nos poos para todos os ciclos de
T

controle; qt = q1,t qnw ,t o vetor das mximas vazes nos poos no ciclo de controle t; d
a taxa de desconto e t o tempo no fim do t-simo ciclo de controle. O fluxo de caixa no
ciclo de controle t, que representa a receita do petrleo menos o custo da injeo e da
produo de gua, dado por:

F (qt ) = t (ro qop ,t cw q wp ,t ) (cwi q p ,t )

pI
pP

(8)

onde t o intervalo de tempo do t-simo ciclo de controle; P e I so os conjuntos de poos

o
w
produtores e injetores, respectivamente; q p,t e q p,t so as taxas de produo de leo e gua no

p-simo poo produtor no t-simo ciclo de controle; ro o preo do leo; c w e c wi so os

custos de produo e injeo de gua.
Neste trabalho, as realizaes {P10, P20, ..., P90} so usadas de tal forma que a mdia e
o desvio padro desse conjunto continua o mais prximo possvel do conjunto original. Onde
P (percentil) significa o percentual que denota o valor de uma varivel abaixo da qual certa
porcentagem de observao recai. A soluo tima obtida considerando as realizaes
selecionadas ento propagada no conjunto original das NT realizaes.
A ferramenta aqui desenvolvida ser aplicada h dois modelos de reservatrio, o Egg
Model (van Essen et al., 2009) e o UNISIM-I-Mod (Pinto, 2014). No primeiro reservatrio foi
assumido que no existem dados de produo disponveis para ajuste ao histrico, ento, o
VPL foi utilizado como um critrio de seleo para escolher o conjunto de realizaes
representativas. No modelo UNISIM, so feitas duas abordagens, a primeira considerando que
no h dados de produo disponveis e a segunda considerando dados de 4 anos de produo.

ALGORITMO DE OTIMIZAO

Nas ltimas dcadas foram alcanados grandes progressos nos softwares e hardwares
computacionais o que melhorou muito a velocidade da simulao de reservatrios. Entretanto,
a viabilidade de recursos computacionais continua sendo um fator limitante para vrios tipos
de otimizao de reservatrio. O uso de modelos substitutos, tais como Krigagem, RBF, redes
neurais, tem sido sugerido para reduzir o nmero de simulaes requeridas na otimizao
(Afonso et al., 2008; Naidu, 2004; Gutmann, 2001; Forrester et al., 2008).
No presente trabalho, ser utilizada uma abordagem de ajuste de dados, que por sua vez
dispe de diversos modelos de ajustamento, dos quais sero aqui utilizadas as funes de base
radial (Gutmann, 2001; Forrester, et al., 2008), dado que em estudos anteriores (Pinto, 2014)
se mostrou mais adequado ao tipo de problema abordado.

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

A estratgia de otimizao utilizada a otimizao por aproximao sequencial (SAO),

que vai operar sobre o modelo substituto criado, ao invs de se fazer uso das respostas obtidas
da simulao real.

3.1

Tcnica de amostragem

O primeiro passo para a construo de um modelo substituto baseado no ajuste de dados

a gerao de uma amostra de pontos. Estes so locais no espao de projeto em que os valores
da resposta dos modelos de alta fidelidade sero calculados para construir o modelo
aproximado. A seleo da amostra uma etapa muito importante, uma vez que para casos
onde a avaliao da funo requer um alto custo computacional deve-se procurar um plano de
amostragem eficaz, o que significa o nmero mnimo de pontos que garantiro um modelo
substituto com boa preciso.
Neste trabalho foi utilizada a amostragem do hipercubo latino (LHS Latin Hypercube
Sampling) (Forrester et al, 2008; Giunta, 2002). Para obter uma amostra LHS, o intervalo de
cada dimenso dividido em p subintervalos de igual probabilidade. Para um domnio de
projeto com n dimenses, este particionamento resulta num total de pn subintervalos no
domnio. Em seguida, p pontos so selecionadas aleatoriamente no domnio de projeto
obedecendo certas restries, tais como: cada ponto aleatoriamente colocado dentro de um
subintervalo do domnio e para cada projeo unidimensional deste ponto s haver um e
apenas um ponto em cada subintervalo.
A aleatoriedade inerente ao processo significa que existe mais de uma possibilidade do
arranjo de amostragem atender aos critrios do LHS. Como a amostragem LHS de natureza
estocstica, aconselhvel executar tal programa vrias vezes e selecionar a melhor amostra
para uso, que consiste em determinar um como (Keane e Nair, 2005):
m

=
i =1 j =i +1

m 1

(x

xi ) + ( y j yi )
2

(9)

onde m o nmero total pontos da amostra. A amostra LHS que d o valor mnimo para
a amostra selecionada.

3.2

Funes de Base Radial

O mtodo das funes de base radial (RBF) um meio de aproximar funes

multivariveis em termos de funes mais bsicas, de propriedades conhecidas e de mais fcil
anlise (Forrester, et al., 2008).
Seja f ( x ) uma funo de base radial (RBF) da forma (Gutmann, 2001):
m

f ( x ) = p ( x ) +
i ( x xi ),

x n

(10)

i =1

onde x i o isimo dos nc centros das funes de base e um vetor contendo os valores das
prprias funes de base , avaliados na distncia Euclidiana entre um ponto x e o centro

x i das funes de base, r = x xi . Uma RBF pode ser definida como uma soma ponderada
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

de translaes de uma funo bsica radialmente simtrica aumentada por um termo

polinomial de baixo grau p.
Entre os tipos de RBF, os mais comuns so os seguintes:
Linear - (r ) = r
Cbica - (r ) = r 3
Splines de Placas Finas (TPS) - (r ) = r 2 ln r
Uma vez escolhidas as funes de base radial, fcil estimar . Isso pode ser feito pela
condio de interpolao

f ( x ( j ) ) = y ( j ) , j = 1,..., n

(11)

Visto que essa equao d um sistema subdeterminado, ou seja, h mais parmetros do

que dados, as condies de ortogonalidade ou condies laterais, dadas pela Eq. (12), so
T
adicionalmente impostas aos coeficientes = ( 1 ,..., m ) .
m

( x ) = 0,
i =1

j = 1,..., g

(12)

Seja { 1 ( x ), , g ( x )} a base para polinmios de grau no mximo g e seja

c = ( c1 , , cg ) os coeficientes que do p em termos dessas bases. Ento, as equaes (11) e

(12) podem ser escritas em forma de matriz, como (Wild, et al., 2008):

A
PT

P F
c = 0
0

(13)

onde Ai , j = xi x j , i, j = 1,..., m , Pi , j = j ( xi ) , i = 1,..., m, j = 1,..., g . Resolvendo o

sistema linear da Eq. (13), so determinados c e , consequentemente f ( x ) determinado.

3.3

Otimizao por Aproximao Sequencial - SAO

A metodologia SAO decompe o problema original de otimizao em sequncias de

subproblemas de otimizao, confinados dentro de uma sub-regio do espao de projeto
inicial.
Um esquema de Regio de Confiana (RC) usado para atualizar o domnio das
variveis de projeto para cada subproblema (iterao do SAO). Matematicamente cada
subproblema k pode ser definido como:
Minimize

f k ( x )

Sujeito :

g ik ( x ) 0, i = 1, , m
xl xlk x xuk xl ,

(14)

k = 0, 1, 2, , k max

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

(15)

J. Wellano, S. Bastos, R. Willmersdorf

xlk = xck k 2

Onde

xuk = xuk + k 2

(16)

Nas equaes (14) e (15), f k ( x ) e g k ( x ) so respectivamente a funes objetivo e a

restrio baseadas no modelo substituto. Sendo xck o ponto central da RC, k o tamanho da
RC e xlk , xuk so respectivamente os limites inferiores e superiores da varivel de projeto na
iterao k do SAO (Giunta and Eldred, 2000).
Na Tabela 1 so apresentados os principais etapas implementados na estratgia SAO
(Silva, 2010).
Tabela 1. Etapas da estratgia SAO

Etapas
SAO
1.
2.
3.
4.
5.
6.
7.
8.
9.

Descrio
Assumir o ponto e tamanho inicial da regio de confiana RC;
Gerar amostras no interior da regio de confiana;
Calcular as funes objetivo e restries reais nas amostras;
Construir o modelo substituto para as funes objetivo e restries no
lineares;
Otimizar o problema dentro da RC usando as funes aproximadas sujeitas
a restries no lineares aproximadas e a restries lineares originais;
Recalcular as funes objetivo e restries reais no ponto timo encontrado
no passo 5;
Checar os critrios de convergncia, se convergir, para;
Manter/reduzir/aumentar a nova sub-regio de acordo com a acurcia do
modelo aproximado comparado funo verdadeira e valores das
restries;
Voltar para a Etapa 2.

Os critrios de convergncia se baseiam no nmero de iteraes consecutivas com

melhora na funo objetivo, no nmero total de iteraes SAO e no tamanho mnimo da RC.
Para a atualizao do tamanho da RC k para cada subproblema de otimizao, foi
considerado o termo de aceitao da funo objetivo k que controla o tamanho da RC
(Guinta & Eldered, 2000). Este parmetro demonstra a preciso da funo substituta no ponto
timo x*k e pode ser calculado como:
f ( xck ) f ( x*k ) g( xck ) g ( x*k )
,
,
k
k

( x k ) f ( x k ) g(

x
)

g
(
x
)
f
c
*
c
*

k = min

(17)

Para o prximo tamanho da RC a atualizao segue dessa forma:

k +1 = 0.5 k ,
=

k ,

= 2 k ,

se k 0.25,
se 0.25 < k < 0.75 ou k > 1.25,

(18)

se 0.75 k 1.25.

A prxima iterao xck +1 obtida de acordo com

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

xck +1 = x*k , se k > 0 ,

(19)

= xck , se k 0 .

CASOS DE ESTUDO

As metodologias apresentadas anteriormente so aplicadas a dois modelos de

reservatrio, o modelo Egg (van Essen et al., 2009) e UNISIM-I-Mod (Pinto, 2014).

4.1

Modelo Egg

O primeiro modelo de reservatrio considerado neste trabalho baseado no modelo

sinttico proposto por van Essen et al. (2009), tambm utilizado por Yasari et al. (2015).
Consiste em um reservatrio leo/gua para um caso de injeo de gua, possui 8 poos
injetores e 4 poos produtores, como pode ser visto na Figura 1. O horizonte de tempo
considerado de 10 anos (3600 dias). Na Tabela 2 so apresentadas as propriedades do
reservatrio. As condies operacionais para os poos so apresentadas na Tabela 3. O
reservatrio altamente heterogneo, possui um conjunto de 100 realizaes que so
utilizadas para capturar as incertezas da permeabilidade. Como a premissa principal de no
haver dados de produo, todas as realizaes geradas so consideradas equiprovveis.
As vazes nos poos em diferentes tempos ao longo da simulao so as variveis de
controle do problema. Para isto, o controle da vazo dos poos a cada intervalo de tempo
feito atravs do rateio em relao a capacidade de produo do grupo ao qual os poos esto
ligados. Logo, as variveis de controle x so dadas por:
x p P ,t =

q p ,t
Q l. max

, p P ; x p I ,t =

q p ,t
Q inj. max

, pI .

(20)

onde qp,t a vazo mxima do poo p (produtor (P) ou injetor (I)) no intervalo de tempo t,
Ql. max a vazo de produo total mxima de lquidos permitida para a plataforma, Qinj. max
a vazo de injeo total mxima de gua permitida para a plataforma.

Figura 1. Campo de Permeabilidade do modelo Egg

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

Tabela 2. Propriedades do reservatrio Egg

Malha de Simulao
Blocos Ativos
Porosidade
Compressibilidade da Rocha a 200 kgf/cm
Presso de Saturao (Psat)
Viscosidade a Tres , Psat
leo in place
Tempo de concesso

60x60x7
25200
20%
1x1010 (kgf/cm)1
400 kgf/cm
5 cP
8.54922 x 105 m
10 anos

Tabela 3. Reservatrio Egg: Dados/Condies operacionais de poos

Tipo
BHP (kPa)
WCUT
Raio (m)
Geofac
Wfrac
Skin
Vazo mxima de lquido, por poo
(m/d)
Vazo mxima de lquido, plataforma
(m/d)

Produtor
Min 39500
0.87
0.1
0.37
1
0
120

Injetor
Max 42000
0.1
0.37
1
0
79.5

400

440

O fator de risco r da Eq. (6) foi adotado 0.5 (Yasari & Pishvaie, 2015), sendo ento
considerado um fator avesso ao risco.
Foram consideradas trs estratgias de produo diferentes, seguindo as abordagens
propostas por van Essen et al. (2009) e Yasari et al. (2013), so elas: Controle Reativo,
Otimizao Nominal e Otimizao robusta.
A performance de cada estratgia avaliada usando a funo objetivo VPL, da Eq. (7), e
mostrada atravs de boxplot (ou diagrama de caixa), mostrado na Figura 2, onde o eixo
vertical representa a funo de interesse, no caso o VPL, e o eixo horizontal um fator de
interesse, a caixa do diagrama contm a mediana (Q2), trao vermelho, o quartil inferior (Q1),
onde 25% das observaes so menores que Q1, e o quartil superior (Q3), onde 75% das
observaes so menores que Q3. A Figura 6 apresenta o boxplot destas trs abordagens para
o modelo Egg. Os dados econmicos necessrios para o clculo do VPL so mostrados na
Tabela 4.
Tabela 4. Dados econmicos do modelo Egg

Varivel
Preo do leo ($/m)
Custo de produo de gua ($/m)
Custo de injeo de gua ($/m)
Taxa de desconto (%/ano)

Valor
126
19
6
0

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

Figura 2. Boxplot

Controle Reativo (CR): Tcnica largamente utilizada na indstria devido sua

simplicidade, robustez e independncia do modelo de reservatrio (Krogstag, 2015). uma
heurstica simples e intuitiva para operar poos produtores e injetores. Consiste em fixar as
vazes dos poos produtores na mxima vazo permitida ou na mnima presso de fundo de
poo (BHP) permitida. Poos injetores tambm podem ter as mximas vazes fixadas, ou as
mximas presses fixadas, dependendo de qual dessas variveis utilizada como controle,
neste trabalho utilizada a vazo de lquidos. Alm disso, comum fechar poos produtores
quando alguma condio atendida, geralmente quando o corte dgua (WCUT) excede um
limite especificado.
O controle reativo aplicado a cada uma das 100 realizaes disponveis. Com a
produo de leo e gua obtida junto com a injeo de gua calculado o VPL de cada
realizao. O histograma do controle reativo para esse caso mostrado na Figura 3.
25

N de Realizaes

20

15

10

0
32

33

34

35

36
VPL (x1e6)

37

38

39

40

Figura 3. Histograma do VPL do caso controle reativo

Otimizao Nominal (ON): Consiste na otimizao determinstica de uma das

realizaes e posterior propagao do resultado obtido s Nt realizaes. Neste caso,
inicialmente escolhida uma das 100 realizaes, como neste exemplo no h informao de
dados de produo para fazer o ranqueamento das realizaes, todas elas so consideradas
equiprovveis. Foi encontrada a realizao correspondente P50, mostrada na Figura 4. Em
seguida realizada uma otimizao utilizando a realizao escolhida, tendo o VPL como
funo objetivo a ser maximizado e os controles de vazo dos poos produtores e injetores
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

como variveis de projeto, uma vez obtido o controle de vazes timo, essas vazes so
propagadas em todas as 100 realizaes.

Figura 4. Campo de Permeabilidade da realizao correspondente P50, utilizada na otimizao

nominal.

Otimizao Robusta (OR): abordagem de otimizao em que considera todas as

realizaes, como explicado no tpico 2 deste trabalho. Inicialmente feito um ranqueamento
das realizaes em funo do VPL, onde foram tomadas 9 realizaes correspondentes ao
P10, P20, ..., P90 do VPL (Yasari et al. (2015)) do caso do controle reativo, mostradas na
Figura 5. Em seguida realizada uma otimizao tendo como funo objetivo a Eq. (6), que
rene a mdia e o desvio padro das 9 realizaes escolhidas na etapa do ranqueamento, as
variveis de projeto no se alteram, continuam sendo o rateio de vazes dos poos produtores
e injetores. Com o resultado da otimizao, procede-se da mesma forma que a otimizao
nominal, propaga-se o controle timo nas 100 realizaes, onde calculado o VPL e obtido
o boxplot 3 da Figura 6. Como aponta Yasari et al. (2013), a principal vantagem desse tipo de
otimizao robusta, que utiliza o ranqueamento, comparado ao que usa todas as realizaes
(van Essen et al., 2009) o menor tempo de processamento. A mdia e desvio padro do VPL
do conjunto de dados original e reduzido pelo ranqueamento so apresentados na Tabela 5,
como pode ser observado, so similares.
Os resultados do controle reativo, da otimizao nominal e da otimizao robusta so
mostrados na Figura 6 como boxplot e na Figura 7 como histograma. Em comparao com o
controle reativo, ambas as tcnicas de otimizao, nominal e robusta, foram bem sucedidas.
Mas, percebe-se que a otimizao nominal obteve resultados superiores otimizao robusta,
tanto os menores quanto os maiores valores do VPL da ON ficaram acima dos respectivos
menores e maiores valores do VPL da OR. Isso pode ser atribudo escolha do subconjunto
de realizaes representativas para a otimizao robusta.
No entanto, ao escolher um conjunto a partir do ranqueamento das solues provenientes
de uma otimizao nominal, o resultado da otimizao robusta visivelmente melhor que
aquele obtido do ranqueamento do controle reativo, como pode ser verificado atravs da
Figura 8. preciso ento escolher com cuidado o subconjunto de realizaes representativo.
possvel verificar tanto um aumento na mdia do VPL quanto um achatamento dos valores
mximo e mnimo, desconsiderando os valores discrepantes (outliers), o que representa uma
diminuio na variabilidade dos resultados. Executando uma otimizao robusta com o fator
de risco r=0, pode ser visto, na Figura 9, que a mediana permanece praticamente a mesma
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

enquanto o desvio padro maior, como esperado, visto que o fator de risco pondera o desvio
padro da funo objetivo da Eq. (6).
Uma comparao dos histogramas das otimizaes robustas aqui utilizadas mostrada na
Figura 10, onde mostra a eficincia da escolha do subconjunto de realizaes a partir da
otimizao nominal, barras azuis e vermelhas, em relao escolha a partir do controle
reativo, barras verdes.
Tabela 5. Mdia e desvio padro do VPL dos conjuntos original e reduzido

Conjunto original
Conjunto reduzido

Mdia (x106)
43.8655
44.3156

Desvio Padro (x106)

1.3273
1.1864

Figura 5. Campos de Permeabilidade das realizaes P10,..., P90, utilizadas na otimizao robusta.

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

48
46
44
42
40
38
36
34
32
1

Figura 6. Boxplot do VPL (M$) dos casos: 1-Controle Reativo; 2-Otimizao Nominal; 3-Otimizao
Robusta

Figura 7. Histograma do VPL da otimizao robusta (azul), do controle reativo (verde) e da otimizao
nominal (vermelho)

45

40

35

30

Figura 8. 1-Controle Reativo; 2-Otimizao Nominal; 3-Otimizao Robusta a partir do ranqueamento do

Controle Reativo; 4-Otimizao Robusta a partir da Otimizao Nominal
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

45

40

35

30

Figura 9. Otimizao Robusta a partir da Otimizao Nominal. 1, r = 0.5; 2, r=0.

Figura 10. Histograma do VPL da otimizao robusta a partir dos seguintes ranqueamentos: controle
reativo, verde; otimizao nominal com r = 0.5, vermelho; otimizao nominal com r = 0, azul.

4.2

Modelo UNISIM_I_MOD

O modelo de simulao, mostrado na Figura 11, foi construdo a partir do modelo

denominado UNISIM-I_AD (Gaspar, et al., 2013). Os quatro primeiros poos produtores e
todos os poos injetores foram abertos a partir da data inicial (31/05/2013) com intervalo de
abertura de 30 dias, iniciando pelos poos produtores. Os dois ltimos poos produtores,
PROD5 e PROD6, foram abertos simultaneamente aps os quatro primeiros anos de
produo. O tempo de explorao de at 30 anos (01/06/2043).
Caractersticas do reservatrio so apresentadas na Tabela 6. As condies operacionais
para os poos so apresentadas na Tabela 7, e os dados econmicos para o clculo do VPL
so apresentados na Tabela 8. A configurao de vazes mxima adotada para os poos
produtores foi de 1500 m/dia e para os poos injetores de 5000 m/dia, o campo dos poos
produtores teve a vazo de lquidos limitada em 9000 m/dia e o campo dos poos injetores
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

em 13500 m/dia que corresponde a 1,5 vezes a vazo de lquidos do campo dos poos
produtores. Com essa configurao as variveis dos poos produtores assumem valores no
intervalo 0, 001 x p ,t 0,167 e as variveis ligadas aos poos injetores assumem valores no
intervalo 0, 001 x p ,t 0,37 .
O reservatrio altamente heterogneo, com baixas e altas zonas de permeabilidade,
como pode ser observado na Figura 11. Um conjunto de 500 cenrios geolgicos
equiprovveis do reservatrio foi disponibilizado (Gaspar, et al., 2013) e representa a
variedade de possveis estruturas geolgicas.
Tabela 6. Caractersticas do Reservatrio UNISIM

Malha de Simulao
Blocos Ativos
Porosidade
Permeabilidade horizontal (kh)
Permeabilidade vertical (kv)
Compressibilidade da Rocha a 200 kgf/cm
Presso de Saturao (Psat)
Viscosidade a Tres , Psat
leo in place
Tempo de concesso

81x58x20
36403
0% a 30%
1 a 1190 mD
2 a 1785 mD
5,3 x 106 (kgf/cm)1
210.03 kgf/cm
0.97 cP
1,3029 x 108 m
30 anos

Tabela 7. Reservatrio UNISIM: Dados/Condies operacionais de poos

Tipo
BHP (kgf/cm)
Raio (m)
Razo Gs leo de Formao (RGO)
(m/m)
Geofac
Wfrac
Skin
Vazo mxima de lquido, por poo
Vazo mxima de lquido, plataforma

Produtor
Min 36
0,156
Max 200

Injetor
Max 350
0,156
-

0,37
1
0
1500
9000

0,37
1
0
5000
13500

Tabela 8. Dados econmicos do modelo UNISIM

Varivel
Preo do leo ($/m)
Custo de produo de gua ($/m)
Custo de injeo de gua ($/m)
Taxa de desconto (%/ano)

Valor
25
5
2
9.3

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

Figura 11. Reservatrio UNISIM: Mapa de Permeabilidade e locao dos poos da primeira realizao
do conjunto de 500 realizaes.

As otimizaes feitas com este modelo segue a mesma metodologia adotada no modelo
Egg, anteriormente descrito.
A otimizao nominal foi feita utilizando-se a realizao correspondente ao P50. Para a
otimizao robusta foram utilizados os P10, P20, ..., P90 das realizaes a partir do VPL do
controle reativo, e a Eq. (6) como funo objetivo. A Figura 12 apresenta o boxplot do
modelo UNISIM. Nesta figura, pode ser observado que a otimizao robusta foi muito melhor
em relao ao caso nominal, o limite inferior do resultado da otimizao robusta superou o
quartil superior (Q3) do caso nominal. A Figura 13 mostra os histogramas do controle reativo
em barras verdes, da otimizao nominal em barras azuis, e o histograma da otimizao
robusta em barras vermelhas.
500

480

460

440

420

400

380
1

Figura 12. Boxplot do VPL (M$) do reservatrio UNISIM, casos: 1-Controle Reativo;
2-Nominal; 3 - Robusto

Uma melhora nos resultados da otimizao robusta pode ser encontrada fazendo o
ranqueamento a partir do resultado da otimizao nominal, desta forma, as realizaes so
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

tomadas a partir de um controle de vazes timo. O resultado mostrado na Figura 14,

boxplot 2.
Um terceiro caso foi estudado e consiste em utilizar dados de histrico de produo
disponveis para o reservatrio UNISIM. Foi realizado um ranqueamento a partir da diferena
entre os dados de produo e os dados observados das 500 realizaes, a mtrica utilizada foi
a diferena dos mnimos quadrados dos dados de produo acumulada de leo dos poos
produtores PROD1 a PROD4 nos primeiros 4 anos de produo, o resultado mostrado na
Figura 14, boxplot 3. Percebe-se que o resultado foi igual ao caso do ranqueamento anterior,
feito a partir da otimizao nominal, pode-se concluir que a utilizao do histrico de
produo no ranqueamento apresentou a mesma importncia de uma otimizao na
determinao de quais realizaes utilizar como representativas. Histogramas associados aos
resultados da otimizao robusta utilizando os trs procedimentos mencionados so mostrados
na Figura 15.

Figura 13. Histograma do controle reativo (verde), da otimizao nominal (azul) e da

otimizao robusta (vermelho) do caso UNISIM

500
490
480
470
460
450
440
430
1

Figura 14. Box plot do VPL (M$) do reservatrio UNISIM, casos Robusto a partir: 1do Controle Reativo; 2- da Otimizao Nominal; 3- do histrico de produo

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

Figura 15. Histogramas da otimizao robusta do caso UNISIM a partir: verde - do

Controle Reativo; azul - da Otimizao Nominal; vermelho - do histrico de produo

CONCLUSES

Um processo eficiente de otimizao da produo na presena de incerteza geolgica foi

apresentado e aplicado com sucesso em problemas da literatura.
A estratgia de classificao para selecionar as realizaes do subconjunto representativo
foi muito eficaz para as estatsticas de clculo necessrio para a otimizao robusta.
Otimizao baseada em um subconjunto de realizaes foi realizada de forma mais
eficiente devido reduo nas simulaes executadas durante as avaliaes das estatsticas
necessrias para a avaliao da funo.
A estratgia se seleo dos subconjuntos de realizaes interfere na otimizao robusta.
No segundo caso estudado, na otimizao robusta, observou-se que o histrico de
produo, utilizado para escolher as realizaes, teve a mesma influncia que a otimizao
nominal, tambm utilizada para escolher as realizaes.
Para melhorar a eficincia computacional, aconselhvel utilizar modelos substitutos.

Agradecimentos
Os autores agradecem o suporte financeiro do CNPq, da fundao CMG e da rede
temtica SIGER da Petrobrs.

REFERNCIAS
Afonso, S. M., Horowitz, B., & Wilmersdorf, R. B., 2008. Comparative Study of Surrogate
Models for Engineering Problems. ASMO-UK (Association for Structural and
Multidisciplinary Optimization in the UK), Bath, UK.
Bertsimas, Dimitris, Brown, D. B., & Caramanis, C., 2011. Theory and applications of robust
optimization.
CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

J. Wellano, S. Bastos, R. Willmersdorf

Capolei, A., Suwartadi, E., Foss, B., & Jrgensen, J. B., 2013. Waterflooding optimization in
uncertain geological scenarios. Computational Geosciences, 17(6), 991-1013.
Computer Modeling Group LTD., 2006. IMEX: User s Guide. . Calgary Canada.
Fedutenko, E., Yang, C., Card, C., & Nghiem, L., 2013. Optimization of SAGD Process
Accounting for Geological Uncertainties Using proxy Models. Presented at GeoConvention
2013: Integration, Calgary, Alberta.
Forrester, A., Sobester, A., & Keane, A., 2008. Engineering Design Via Surrogate Modelling:
A Practical Guide. 228 p. Chichester: Wiley, ISBN 0470060689.
Gaspar, A. T., Santos, A., & Schiozer, D., 2013. Caso de Estudo para Seleo de Estratgia
de Explotao de Reservatrio Baseado no Campo UNISIM-I. Campinas: Unicamp.
Giunta, A., 2002. Use of Data Sampling, Surrogate Models, and Numerical Optimization in
Engineering Design. Paper AIAA-2002-0538 in Proceedings of the 40th AIAA Aerospace
Sciences Meeting and Exhibit, Reno, NV.
Giunta, A., & Eldred, M., 2000. Implementation of a Trust Region Model Management
Strategy in the DAKOTA Optimization Toolkit. 8th AIAA/USAF/NASA/ISSMO Symposium
on Multidisciplinary Analysis and Optimization. AIAA-2000-4935. Long Beach, CA.
Gutmann, H. M., 2001. A Radial Basis Function Method for Global Optimization. Journal of
Global Optimization , 201227.
Keane, A. J., & Nair, P. B., 2005. Computational Approaches for Aerospace Design: The
pursuit of Excellence. 602 p. Hoboken: John Willey & Sons Inc., ISBN 0470855401.
Krogstag, J.A., 2015. Control-Switching Strategies for Reservoir Water-Flooding
Management. Master Project.
Naidu, S. L., 2004. Neural Network Surrogate Model For Multidisciplinary Design
Optimization. M. Tech. Dissertation, Indian Institute of Technology.
Pinto, J. W., 2014. Uso da Otimizao Sequencial Aproximada a Problemas Uni e
Multiobjetivos de Gerenciamento de Reservatrios. Dissertao de Mestrado. Universidade
Federal de Pernambuco, Recife, PE.
Silva, M. F., 2010. Estratgias de Aproximao para a Otimizao Estrutural. Dissertao de
Mestrado . Universidade Federal de Pernambuco, Recife, PE.
Van Essen, G. M., Zandvliet, M., Van den Hof, P., Bosgra, O., & Jansen, J., 2009. Robust
waterflooding optimization of multiple geological scenarios. SPE 102913-PA. SPE J. 14 (1) ,
202210.

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016

Uma abordagem para considerao de otimizao robusta em reservatrio de petrleo

Wild, S. M., Regis, R. G., & Shoemaker, C. A., 2008. ORBIT: Optimization by Radial Basis
Function Interpolation in Trust-Regions. Cornell University, Technical Report: #ORIE-1459,
To appear in SIAM Journal on Scientific Computing.
Yasari, E., Pishvaie, M. R., Khorasheh, F., Salahshoor, K., & Kharrat, R., 2013. Application
of multi-criterion robust optimization in water-flooding of oil reservoir. Journal of Petroleum
Science and Engineering , 109, 1-11.

CILAMCE 2016
Proceedings of the XXXVII Iberian Latin-American Congress on Computational Methods in Engineering
Suzana Moreira vila (Editor), ABMEC, Braslia, DF, Brazil, November 6-9, 2016