IBP 1999_12 ALGORITMOS GENÉTICOS APLICADOS À OTIMIZAÇÃO DO CRONOGRAMA DE ATIVAÇÃO DE POÇOS, Ana Carolina A.

Abreu1, Eugênio Silva2, Dilza Szwarcman3, Marco Aurélio C. Pacheco 4

Copyright 2012, Instituto Brasileiro de Petróleo, Gás e Biocombustíveis - IBP Este Trabalho Técnico foi preparado para apresentação na Rio Oil & Gas Expo and Conference 2012, realizado no período de 17 a 20 de setembro de 2012, no Rio de Janeiro. Este Trabalho Técnico foi selecionado para apresentação pelo Comitê Técnico do evento, seguindo as informações contidas no trabalho completo submetido pelo(s) autor(es). Os organizadores não irão traduzir ou corrigir os textos recebidos. O material conforme, apresentado, não necessariamente reflete as opiniões do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis, Sócios e Representantes. É de conhecimento e aprovação do(s) autor(es) que este Trabalho Técnico seja publicado nos Anais da Rio Oil & Gas Expo and Conference 2012.

Resumo
Este trabalho propõe um modelo de otimização, baseado em Algoritmos Genéticos, para otimizar o cronograma de abertura de poços de petróleo. O modelo proposto busca definir a ordem e o intervalo de abertura dos poços que maximizem o valor presente líquido (VPL) do projeto de exploração, considerando restrições de ordem técnica e operacional impostas pelo problema. Para avaliar o desempenho do modelo proposto foi utilizado um modelo de reservatório com características heterogêneas diante de cenários econômicos distintos: otimista e pessimista. O modelo se mostrou promissor diante dos cenários apresentados, propondo cronogramas que possibilitaram conservar a pressão interna do reservatório, aumentando a produção acumulada de óleo e reduzindo a produção acumulada de água. Os resultados obtidos foram comparados a um caso ideal e a um caso proposto por um especialista, e em todas as situações o modelo encontrou cronogramas com VPL superior.

Abstract
This paper proposes an optimization model, based on Genetic Algorithms, to optimize the wells opening schedule. The proposed model seeks the order and the timing of wells opening that maximize the net present value (NPV) of the exploration project and honor the operational and technical constraints imposed by the problem. The performance of the optimization model was evaluated by a heterogeneous reservoir model considering an optimistic and a pessimistic economic scenarios. The model presented a promising behavior providing schedules that keep the internal pressure of the reservoir, increase the oil production and reduce the water production. The obtained results were compared to two cases, an ideal and a proposed by an expert, and in all cases the NPV of the proposed model was higher.

1. Introdução
O gerenciamento de campos de petróleo é usado com a finalidade de entender o desempenho do reservatório e, assim, tentar prever as possibilidades de eventos futuros sob os mais variados cenários de desenvolvimento. Baseado nessas possibilidades, poder-se-á optar pelo plano de desenvolvimento que maximize o valor do reservatório (KLEIN, 2002). De acordo com a portaria nº 90 da Agencia Nacional de Petróleo, Gás Natural e Biocombustíveis (ANP) de 31 de maio de 2000, o plano de desenvolvimento para campos de petróleo e gás natural é um documento que deve conter, entre outros, as principais características do reservatório, o tamanho da reserva, o número e características dos poços, os investimentos envolvidos, a duração do desenvolvimento e o cronograma de atividades, que inclui a data de perfuração e abertura de cada poço (KLEIN, 2002). Sabendo que um cronograma é um instrumento de planejamento no qual são definidas as atividades a serem executadas durante um período estimado, otimizá-lo torna-se uma tarefa difícil, pois significa encontrar um cronograma que ofereça redução de custos, prazos, melhor aplicação de recursos, etc. Além disso, uma ferramenta computacional capaz de auxiliar o especialista na definição desse cronograma é de grande utilidade tanto para a obtenção de respostas

______________________________ 1 Mestre, Pesquisadora - PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 2 Doutor, Pesquisador - PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 4 Doutora, Pesquisadora - CENTRO UNIVERSITÁRIO ESTADUAL DA ZONA OESTE 3 PhD, Pesquisador - PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO

Rio Oil & Gas Expo and Conference 2012 mais rápidas quanto para a tomada de decisões mais acertadas. E ainda, essa decisão é de grande importância para o desenvolvimento de um campo de petróleo, pois envolve um alto investimento financeiro e influencia no comportamento do reservatório anos à frente.

2. Cronograma de Ativação de Poços
O cronograma de ativação dos poços estabelece quando cada poço, produtor e/ou injetor, iniciará sua vida produtiva, todavia, a tarefa de definir as datas de abertura de cada poço não é trivial. A análise de cronogramas é um problema de otimização bastante conhecido, contudo, alguns trabalhos apresentam algumas limitações em sua metodologia, quando admitem que todos os poços produtores e/ou injetores são abertos simultaneamente, como é o caso de Almeida et al (2007) e Emerick et al (2009). Beckner (1995) buscou otimizar o cronograma de ativação dos poços através do método de Simulated Annealing combinado com simulação de reservatórios e análise econômica. A abordagem proposta varia a localização e a sequência de abertura dos poços produtores, estabelecendo um cronograma onde nos três primeiros anos deveriam ser perfurados três poços por ano, e no quarto, quinto e sexto anos, deveria ser perfurado um poço em cada ano, e a partir daí buscaram a melhor solução que indicasse quais poços seriam perfurados nessas datas. Mezzomo & Shiozer (2003) propuseram uma metodologia para determinar o número adequado de poços produtores e injetores, e um cronograma de abertura, utilizando previsões de produção e injeção, geradas através de simulação de reservatório. Entretanto, a abordagem considera que todos os poços possuem os mesmos custos de perfuração e de produção e o mesmo tempo de perfuração, independentemente de sua geometria, tamanho e complexidade. Após estabelecer um intervalo constante entre as aberturas dos poços, o valor presente líquido (VPL) de cada poço é calculado. Assim, a ordem de abertura dos poços produtores segue a ordem crescente do VPL e a ordem de abertura dos poços injetores segue a ordem decrescente dos VPL’s. Mazo et al (2010) utilizaram Algoritmos Genéticos para definir o cronograma de abertura de poços produtores e injetores a fim de determinar o VPL de um campo. Todavia, foi otimizada apenas a ordem de abertura dos poços, estabelecendo um intervalo fixo de trinta dias entre as aberturas dos poços e, mais uma vez, a geometria, o tamanho e a complexidade dos poços não são considerados. A metodologia proposta neste trabalho emprega Algoritmos Genéticos combinado à simulação de reservatórios para otimizar o cronograma de ativação de poços. Um diferencial deste modelo é propor um cronograma que define a ordem e o intervalo de abertura entre os poços, ajustando livremente as datas de abertura durante todo o tempo de concessão do campo. Além disso, a fim de garantir que cada poço só seja aberto após sua interligação com a plataforma, este modelo, considera a disponibilidade da plataforma de produção e o tempo para interligação de cada poço com a mesma. Para evitar a abertura de poços em datas muito próximas ao fim da concessão do campo, este modelo, também, leva em consideração o tempo mínimo de retorno financeiro dos poços. E ainda, preza individualmente os custos de perfuração e completação de cada poço, de acordo com a sua complexidade.

3. Algoritmos Genéticos
O Algoritmo Genético é um método de otimização, englobado pala Computação Evolucionária, que é baseado no processo evolutivo natural (MICHAMEWICZ, 1996), onde segundo Darwin: “Quanto melhor um indivíduo se adaptar ao meio ambiente, maior será sua chance de sobreviver e gerar descendentes”. Este algoritmo utiliza, por meio de simulações de gerações, critérios probabilísticos de seleção e evolução naturais buscando, então, encontrar um indivíduo ótimo de uma população. Dado um problema, o Algoritmo Genético trata cada possível solução como sendo um indivíduo, este é, então, representado de forma cromossômica (LINDEN, 2008). Dependendo das peculiaridades do problema, as soluções podem ser representadas por vetores n-dimensionais de números binários, inteiros, reais ou estruturas mais complexas. Os cromossomos são compostos por genes (como na biologia) e a cada reprodução estes genes são alterados. A primeira população de um algoritmo genético, com n indivíduos pode ser criada aleatoriamente. A avaliação desses indivíduos é realizada associando a cada indivíduo da população um número real, também chamado de aptidão, cuja finalidade é medir o quanto aquela situação é adequada para satisfazer à especificação de um problema particular. Uma vez avaliada a população inicial do algoritmo, inicia-se o processo evolutivo, no qual os indivíduos são submetidos à seleção, onde cada indivíduo da população tem uma probabilidade de seleção associada que é diretamente proporcional à sua aptidão. Assim, no processo de seleção os indivíduos passam por um procedimento que, baseado no princípio de Darwin, privilegia os mais aptos. Após a seleção, parte dos indivíduos sofre a ação dos operadores genéticos de cruzamento e mutação que modificam esses indivíduos, e consequentemente geram novas soluções para o problema em questão. O cruzamento consiste em recombinar o material genético de dois indivíduos a fim de criar dois novos indivíduos. Com isso, esse operador tem a função de extrair de diferentes indivíduos os melhores genes, e recombiná-los 2

Rio Oil & Gas Expo and Conference 2012 para formar indivíduos com melhores características. A mutação serve para introduzir diversidade em uma nova geração, ou seja, é responsável pela variação dos indivíduos. A mutação consiste em aplicar modificações aleatórias em uma ou mais características de um indivíduo para criar um novo. Também é possível considerar steady state, onde um percentual dos melhores indivíduos sobrevive para a próxima geração sem qualquer alteração. A partir daí são originadas novas populações a cada geração. Para encerrar um ciclo de evolução, também chamado de geração, avaliam-se os indivíduos dessa nova população. Estes ciclos se repetem até que uma condição de parada seja satisfeita. Os Algoritmos Genéticos são menos suscetíveis ao aprisionamento em ótimos locais, todavia o tempo de convergência costuma ser mais elevado comparado ao tempo gasto por métodos de otimização baseados em gradiente. Para utilização de métodos baseados em gradientes é necessário que a função objetivo seja contínua e diferençável no espaço de busca. Neste trabalho, os dados de produção são obtidos a partir de um simulador de reservatórios do tipo “caixa- preta” e este fato dificulta a aplicação de métodos baseados em gradiente. Sendo assim, pode-se acrescentar que os métodos evolutivos são mais adequados para busca de uma solução aceitável, que não necessariamente seja uma solução ótima, para este problema de otimização. Além disso, os Algoritmos Genéticos se mostram interessantes na resolução de problemas complexos de otimização, pois conseguem um equilíbrio entre a capacidade de exploração do espaço de soluções e também de aproveitamento das melhores soluções ao longo da evolução.

4. Modelo Proposto
Para definir o cronograma de ativação dos poços é necessário estabelecer as características do campo a ser explotado, o número, a localização e os controles de produção e injeção dos poços e o tempo total de concessão para explotação do campo. Além disso, para cada poço, devem ser consideradas restrições de ordem técnica e operacional. As restrições técnicas dizem respeito aos tempos mínimos de interligação e de retorno financeiro de cada poço e à disponibilidade da sonda para interligação. A restrição operacional, por sua vez, está relacionada à capacidade máxima da plataforma de produção. Estabelecer essas restrições evitam a obtenção de soluções inviáveis e, consequentemente, contribuem para a diminuição do espaço de busca do problema de otimização. O modelo computacional proposto neste trabalho busca identificar um cronograma de abertura de poços de uma determinada alternativa de produção que maximize o VPL dessa alternativa. Para isso são levadas em consideração todas as entradas e restrições mencionadas anteriormente. O modelo de solução é composto pelos Módulos Otimizador, Simulador e Avaliador, cujas interações estão ilustradas na Figura 1. O Módulo Otimizador é composto de um Algoritmo Genético que tem a função de determinar o cronograma de abertura dos poços da alternativa. Essa alternativa com seu cronograma é então submetida ao Módulo Simulador, que utiliza um simulador de reservatórios para fornecer as previsões de produção de óleo, gás e água. Estas, por sua vez, são utilizadas pelo Módulo Avaliador para se obter o VPL da alternativa. Finalmente, o VPL calculado é enviado ao Módulo Otimizador que o utiliza como valor associado à avaliação da alternativa (cromossomo).

Figura 1: Módulos que compõe o modelo de solução 4.1. Módulo Otimizador 4.1.1. Representação da Solução As soluções são representadas por cromossomos compostos por dois segmentos distintos, conforme ilustra a Figura 2. O primeiro segmento utiliza representação baseada em ordem e o número de genes é igual ao número de poços a serem ativados. Este segmento tem a função de definir a ordem de abertura dos poços do campo. Já o segundo segmento 3

Rio Oil & Gas Expo and Conference 2012 utiliza representação baseada em números inteiros e é responsável por definir o intervalo de abertura entre os poços. Vale destacar que esse tipo de representação possibilita evoluir separadamente a ordem de abertura e o intervalo de aber abertura, aplicando-se operadores genéticos apropriados a cada segmento do cromossomo. se

Figura 2: Representação do cromossomo 4.1.2. Decodificação da Solução Além da representação é necessário estabelecer uma regra de decodificação que permita a construç da solução construção real a partir do cromossomo, de forma que possa se efetivamente avaliado. Assim, segundo modelo proposto, a ordem de ativação dos poços é dada pela ordem estabelecida no primeiro segmento do cromossomo. Já o intervalo entre as datas de abertura desses poços é determinado pelos genes do segundo segmento, onde: o primeiro gene do segundo segmento ra determina o intervalo de abertura do primeiro poço a ser aberto; o segundo gene determina o intervalo de abertura entre o primeiro e o segundo poço a ser aberto; o terceiro gene determina o intervalo de abertura entre o segundo e o terceiro er poço a ser aberto; e assim sucessivamente. O modelo utiliza a informação do tempo mínimo de retorno financeiro dos poços para evitar a abertura de poços em datas muito próximas ao fim da concessão do campo. Assim, poços cuja data de muito abertura seja posterior ao tempo mínimo de retorno financeiro, não são abertos. Assim dada à representação ilustrada na Figura 3, pode-se decodificar tal alternativa da seguinte forma: o p se poço “C” será o primeiro poço a ser aberto, e sua abertura será feita 90 dias a partir do inicio da concessão do campo para ” explotação, ou seja, no dia 01/04/2010, haja vista que a concessão do campo se inicia em janeiro de 2010. 660 dias após a abertura do poço “C” será aberto o poço “ ” “A”, 120 dias após a abertura do poço “A” será aberto o poço “ ” “E”, e assim sucessivamente. Isso é feito até que todos os poços sejam abertos ou se chegue à data limite para explotação do campo.

Figura 3: Decodificação do cromossomo 4.1.3. Operadores Genéticos Como mencionado anteriormente, os operadores genéticos são responsáveis pela modificação dos indivíduos a fim de gerar novas soluções para o problema em questão. Como este modelo apresenta um cromossomo com dois segmentos distintos, cada segmento sofre ação de operadores específicos, tanto de mutação quanto de cruzamento. entos 4.1.3.1. Cruzamento No primeiro segmento foram utilizados três operadores de cruzamento distintos, denominados: PMXCrossover PMXCrossover, OXCrossover, CXCrossover (MICHALEWICZ 1996). O operador PMXCrossover estabelece dois pontos de corte MICHALEWICZ, aleatórios sobre os indivíduos pais e as subcadeias de genes encontradas entre esses cortes serão herdadas integralmente pelos indivíduos filhos. Essas subcadeias também determinam um mapeamento de relacionamento entre os genes dos pais determinam e os genes fora da subcadeia deverão ser mudados seguindo este mapeamento. De acordo com o exemplo da Figura 4, são herdados integralmente pelos indivíduos filhos os genes CD e AE e como há um mapeamento de relacionamento entre os m genes C e A e os genes D e E, ao se adicionar os genes restantes ao indivíduo filhos, o gene C do indivíduo pai passa ser A , e o gene D passa a ser E. O mesmo acontece com o outro indivíduo filho, onde o A passa a ser C e o E passa a ser D. Isso . faz com que o processo de cruzamento não seja inviabilizado. 4

Rio Oil & Gas Expo and Conference 2012 Já o operador OXCrossover estabelece dois pontos de corte aleatórios sobre os indivíduos pais, onde as subcadeias de genes encontradas entre estes cortes são herdadas integralmente pelos indivíduos filhos. A partir do último corte em cada cromossomo, o método faz uma busca no cromossomo do outro indivíduo pai pelos genes que não estão na subcadeia herdada, preenchendo assim o cromossomo, como mostra a Figura 4. O operador CXCrossover trabalha sobre um subconjunto de genes que ocupam um mesmo conjunto ou formam um “ciclo” de posições, em ambos os pais. No exemplo da Figura 4, pode-se identificar o ciclo A-D-D-E-E-A, cujos genes são copiados para um determinado filho e os genes faltantes são copiados do outro pai.

Figura 4: Operadores de cruzamento do primeiro segmento O segundo segmento sofre a ação de três operadores de cruzamento distintos: SinglePointCrossover, TwoPointCrosover, IntegerUniformCrossover (LINDEN, 2008). O operador SinglePointCrossover efetua o cruzamento com um único ponto de corte, enquanto o operador TwoPoinCrossover efetua o cruzamento com dois pontos de corte no segmento (Figura 5). O operador IntergerUniformCrossover utiliza um padrão (máscara) criado aleatoriamente para a geração dos filhos. Assim, onde houver um 1 na máscara, o gene é copiado do ancestral 1, e onde houver um 0, o gene é copiado do ancestral 2, e para gerar o segundo descendente, os ancestrais são trocados de posição (Figura 5).

Figura 5: Operadores de cruzamento do segundo segmento 4.1.3.2. Mutação Como O primeiro segmento, baseado em ordem, sofre a ação de quatro operadores de mutação distintos, denominados: PIMutation, SwapMutation, RotateLeftMutation e RotateRightMutation (LINDEN, 2008). O operador PIMutation inverte a ordem de um determinado intervalo de genes, cujos limites são escolhidos aleatóriamente, e o operador SwapMutation sorteia dois genes do mesmo segmento e faz a troca dos seus valores (Figura 6). Já o operador RotateLeftMutation aplica a mutação rotacionando os genes para a esquerda, enquanto o operador RotateRightMutation aplica a mutação rotacionando os genes para a direita (Figura 6). A escolha do operador de mutação a ser aplicado a cada geração é feita aleatoriamente.

Figura 6: Operadores de mutação do primeiro segmento O segundo segmento, que utiliza genes do tipo inteiro, sofre a ação de um operador de mutação uniforme denominado IntegerUniformMutation (LINDEN, 2008). Este operador realiza a mutação baseada em uma máscara aleatória, criada em função da probabilidade de aplicação do operador (Figura 7). Nessa operação os valores dos genes selecionados são substituídos por um valor aleatório entre os limites máximo e mínimo do gene.

Figura 7: Operadores de mutação do segundo segmento 5

Rio Oil & Gas Expo and Conference 2012 4.2. Módulo Simulador O Módulo Simulador utiliza o simulador de reservatório IMEX (CMG, 2007) para fornecer os perfis de produção de óleo, gás e água referentes à alternativa gerada pelo Módulo Otimizador. A otimização se inicia com todos os poços fechados e ao longo do processo de otimização as datas de abertura são alteradas de acordo com os cronogramas produzidos pelo Módulo Otimizador. Após a simulação, o simulador fornece um arquivo de saída contendo dados sobre a produção de óleo, gás e água. Estes dados são utilizados pelo Módulo Avaliador para determinar o valor de avaliação da alternativa. 4.3. Módulo Avaliador O Módulo Avaliador usa os dados de produção para determinar o VPL da alternativa, calculando toda receita obtida e descontando os custos de operação e desenvolvimento do projeto. De acordo com Almeida et al (2007), o valor presente representa uma precificação no dia de hoje para algum objeto ou evento que ocorrerá somente no futuro. Para isto, torna-se necessário ter uma boa previsão do comportamento deste evento futuro no momento atual. O cálculo do VPL é descrito a seguir pelas Equações 1-6. = [( − ) ∗ (1 − )] − (1)

Onde: D : custo de desenvolvimento do projeto. VPr : valor presente da receita; VPcop : valor presente do custo operacional; I : alíquota de impostos. = ( )∗ ( ) + ( )∗ ( )
( )

Onde: T : tempo total de produção; tma : taxa mínima de atratividade; d(t) : dia no tempo t. qo : vazão de produção de óleo(m3/d); po : preço de venda do óleo no tempo t (US$/bbl); qg : vazão de produção de gás(1000m3/d); pg : preço de venda do gás no tempo t (US$/1000 m3). = + ∗ ( )+ + + {[ ∗
( )

1+

( ) − ( − 1)

(2)

Onde: M : manutenção; Ry : royalties; f : custos fixos; Cp : custos de produção; ciw : custo de injeção de água (US$/m3); qwi : vazão de injeção de água (m3/d). = ∗ ∗ [ ( ) − ( − 1)] 365

1+

( )] ∗ [ ( ) − ( − 1)]}

(3)

(4)

Onde: m : custo de manutenção por poço por ano; np : número de poços abertos. = [ ∗ ( )+ ∗ ( )+ ∗ ( )] ∗ [ ( ) − ( − 1)] (5) 6

Rio Oil & Gas Expo and Conference 2012 Onde: cpo : custo de produção de óleo (US$/m3); qo : vazão de produção de óleo (m3/d); cpw : custo de produção de água (US$/m3); qw : vazão de produção de água (m3/d); cpg : custo de produção de gás (US$/1000m3); qg : vazão de produção de gás (1000m3/d). =
( )

Onde: N : número total de poços p : custo do poço + árvore de natal; da(t): dia de abertura do poço no tempo t. Os parâmetros: alíquota de impostos, tempo total de produção, taxa mínima de atratividade, preço de venda do óleo e do gás, custos de manutenção por poço, royalties, custos fixos, custos de produção e de injeção, custos de manutenção por poço e o custo de cada poço com árvore de natal, devem ser informados pelo usuário. Os parâmetros referentes às vazões diárias de produção e de injeção são frutos da simulação de reservatórios. A equação de VPL considera custos fixos, que entre eles podem ser considerados os custos de aquisição de plataforma de produção. Contudo, a equação não leva em consideração custos de manutenção da plataforma, variáveis ao longo do tempo.

(1 +

)

(6)

5. Estudo de Casos
O reservatório heterogêneo consiste em um modelo de reservatório com uma malha de 33x57x3 blocos, nas direções i, j, k; cujas dimensões são de aproximadamente 100,0x100,0x8,66 metros. Este reservatório apresenta permeabilidade igual a 575,0 mD nas direções i e j, e 57,40 mD na direção k e porosidade igual a 0,23; A característica principal deste modelo é a existência de uma região com 100% de saturação de água na parte mais baixa, formando um aquífero. Este reservatório produz com mecanismo de produção de influxo de água, que permite um maior intervalo entre as aberturas dos poços produtores e injetores. As demais regiões do reservatório possuem saturação de água no valor de 0,25. Este fato cria a condição de heterogeneidade da reserva. No início da produção, os poços produtores são surgentes e, como método de recuperação secundária foi utilizada a injeção de água. A configuração de poços utilizada nesse reservatório, fornecida por um especialista, é composta de 8 poços direcionais (Figura 8), sendo quatro poços produtores e quatro poços injetores, onde todos possuem completação molhada e estão sob uma lâmina d’água de 2000 metros. Os custos de perfuração e completação de cada poço foram fornecidos previamente e estão entre US$179MM e US$188MM.

Figura 8: Modelo de reservatório heterogêneo A taxa máxima de produção de líquido foi mantida em 2500m³/dia e a taxa máxima de injeção de água foi mantida em 2500m³/dia e o intervalo mínimo de abertura entre os poços é de 3 semanas. A sonda para interligação está disponível desde o início da concessão do campo, que se inicia em janeiro de 2011 e termina em dez de 2035, totalizando 25 anos para o desenvolvimento dessa reserva. 7

Rio Oil & Gas Expo and Conference 2012 Para fins de comparação os resultados obtidos foram comparados ao Caso Ideal e o Caso do Especialista. O Caso Ideal apresenta um cronograma em que todos os poços são abertos simultaneamente. Cronogramas desta natureza são utilizados em alguns trabalhos, como Almeida et al (2007), Messer (2008) e Emerick et al (2009). Já o Caso do Especialista representa um cronograma manual para a configuração de poços deste modelo, seguindo as restrições quanto ao tempo mínimo de abertura entre os poços para interligação dos mesmos. 5.1.1. Cenário Otimista Este experimento foi realizado utilizando um cenário econômico otimista, cujo valor do barril de petróleo foi estabelecido em U$$105,00 no primeiro ano de produção, 2012, e US$100,00 até o fim da produção em 2035. Os custos operacionais e de desenvolvimento se mantiveram com um acréscimo de 10% após o segundo ano de produção, haja vista o crescimento dos custos diante do aumento do preço do barril de petróleo. Foram utilizadas duas abordagens distintas: com e sem o uso de semente inicial. A semente inicial permite ao algoritmo partir de uma solução válida e promissora, assim, foi utiliza como semente inicial o cronograma de abertura de poços fornecido pelo especialista. Os parâmetros evolutivos deste experimento podem ser visualizados na Tabela 1. Tabela 1: Parâmetros evolutivos Parâmetros evolutivos Tamanho da população 100 Número de gerações 20 Número de rodadas 4 Taxa mutação inicial 0,08 Taxa mutação final 0,30 Taxa cruzamento inicial 0,65 Taxa cruzamento final 0,08 Taxa steady state inicial 0,40 Taxa steady state final 0,20 Taxa steady state entre rodadas 0,10

No gráfico da Figura 9 é possível observar as curvas de evolução do cenário otimista, com e sem o uso de semente inicial. Nota-se que o uso de semente inicial permitiu ao algoritmo encontrar melhores indivíduos. Comparando o cronograma do melhor indivíduo encontrado (Caso Otimizado) com os cronogramas dos Casos Ideal e do Especialista (Tabela 3) é possível observar que houve uma alteração na ordem de abertura dos poços e um retardo na abertura dos dois últimos poços injetores permitindo reduzir produção acumulada de água em 7,7% comparado ao Caso Ideal e 6% comparado Caso do Especialista, como é mostrado na Tabela 2. Além disso, o cronograma do Caso Otimizado conserva por mais tempo a pressão interna do reservatório e consequentemente aumenta a produção de óleo em 2% comparado aos Casos Ideal e do Especialista (Tabela 2). Dessa forma, o Caso Otimizado obteve um VPL 5% maior comparado ao Caso Ideal e 4,8% maior comparado ao Caso do Especialista (Tabela 2).

Figura 9: Evolução do modelo Tabela 2: Dados de produção Dados de produção Caso Ideal Caso do Especialista 21.684.657,36 21.686.186,87 254.743,75 254.269,69 78.792.551,17 77.427.246,55 91.310.000,00 89.945.000,00 3.716.426.253,09 3.725.308.185,02 Caso Otimizado 22.113.614,55 259.537,19 73.934.330,91 86.900.000,00 3.904.435.829,81

Produção acumulada de óleo (m³) Produção acumulada de gás (Mm³) Produção acumulada de água (m³) Injeção acumulada de água (m³) VPL (US$)

8

Rio Oil & Gas Expo and Conference 2012

Tabela 3: Cronograma de abertura de poços Caso Ideal Poço Data de abertura Poço_Prod_1 01/01/2011 Poço_ Prod_2 01/01/2011 Poço_ Prod_3 01/01/2011 Poço_ Prod_4 01/01/2011 Poço_ Inj_1 01/01/2011 Poço_ Inj_2 01/01/2011 Poço_ Inj_3 01/01/2011 Poço_ Inj_4 01/01/2011 5.1.2. Cenário Pessimista O segundo experimento foi realizado considerando um cenário econômico pessimista, cujo valor do barril de petróleo foi estabelecido em U$$45,00 do início ao fim da produção. Os parâmetros evolutivos deste experimento foram os mesmo utilizado no experimento com cenário otimista, descritos na Tabela 1, e também foram utilizadas duas abordagens, com e sem semente inicial. Pelo gráfico da Figura 10, mais uma vez, notou-se que o uso de semente inicial permitiu ao algoritmo encontrar melhores indivíduos. Comparando o cronograma do Caso Otimizado com os cronogramas dos Casos Ideal e do Especialista (Tabela 4) é possível observar que o algoritmo aumentou o intervalo de abertura entre os poços produtores, fazendo com que a produção de óleo reduzisse em 0,5% comparado a ambos os casos, como mostra a Tabela 5. Houve também um retardo quanto à abertura dos poços injetores em mais de um ano, permitindo a redução da produção acumulada de água em 19,6% comparada ao Caso Ideal e 18% comparada Caso do Especialista (Tabela 5). Dessa forma, o cronograma de abertura de poços do Caso Otimizado obteve um VPL 18,8% maior comparado ao Caso Ideal e 17,2% maior comparado ao Caso do Especialista (Tabela 5). Cronograma de Abertura de Poços Caso do Especialista Poço Data de abertura Poço_ Prod_1 21/01/2011 Poço_ Prod_2 11/02/2011 Poço_ Prod_3 04/03/2011 Poço_ Prod_4 25/03/2011 Poço_ Inj_1 15/04/2011 Poço_ Inj_2 06/05/2011 Poço_ Inj_3 27/05/2011 Poço_ Inj_4 17/06/2011 Caso Otimizado Poço Data de abertura Poço_Prod_1 21/01/2011 Poço_ Prod_3 11/02/2011 Poço_ Prod_2 04/03/2011 Poço_ Prod_4 25/03/2011 Poço_ Inj_4 15/04/2011 Poço_ Inj_1 06/05/2011 Poço_ Inj_3 30/06/2012 Poço_ Inj_2 14/09/2013

Figura 10: Evolução do modelo Tabela 4: Cronograma de abertura de poços Caso Ideal Poço Data de abertura Poço_Prod_1 01/01/2011 Poço_ Prod_2 01/01/2011 Poço_ Prod_3 01/01/2011 Poço_ Prod_4 01/01/2011 Poço_ Inj_1 01/01/2011 Poço_ Inj_2 01/01/2011 Poço_ Inj_3 01/01/2011 Poço_ Inj_4 01/01/2011 Cronograma de Abertura de Poços Caso do Especialista Poço Data de abertura Poço_ Prod_1 21/01/2011 Poço_ Prod_2 11/02/2011 Poço_ Prod_3 04/03/2011 Poço_ Prod_4 25/03/2011 Poço_ Inj_1 15/04/2011 Poço_ Inj_2 06/05/2011 Poço_ Inj_3 27/05/2011 Poço_ Inj_4 17/06/2011 Caso Otimizado Poço Data de abertura Poço_Prod_1 21/01/2011 Poço_ Prod_3 11/02/2011 Poço_ Prod_4 15/04/2011 Poço_ Prod_2 02/12/2011 Poço_ Inj_4 02/08/2013 Poço_ Inj_2 09/01/2015 Poço_ Inj_3 17/06/2016 Poço_ Inj_1 15/12/2017

9

Rio Oil & Gas Expo and Conference 2012 Tabela 5: Dados de produção Dados de produção Caso Ideal Caso do Especialista 21.684.657,36 21.686.186,87 254.743,75 254.269,69 78.792.551,17 77.427.246,55 91.310.000,00 89.945.000,00 800.652.489,53 811.421.677,56 Caso Otimizado 21.572.287,66 249.397,70 63.331.579,43 75.770.000,00 951.342.887,34

Produção acumulada de óleo (m³) Produção acumulada de gás (Mm³) Produção acumulada de água (m³) Injeção acumulada de água (m³) VPL (US$)

6. Conclusão
Nesse trabalho desenvolveu-se um modelo de solução, baseado em Algoritmos Genéticos, capaz de propor cronogramas de abertura de poços que contribuem para aumentar o VPL do projeto de exploração de um reservatório. Como exposto no decorrer do trabalho, encontrar a identificação de um cronograma de abertura de poços que satisfaça as restrições impostas pelo problema e gere o maior VPL possível, não é uma tarefa simples devido ao grande número de possibilidades quanto às datas de abertura de cada poço. Diante de horizontes de planejamento de 25 anos (tempo para desenvolvimento do campo), o modelo se mostrou promissor encontrando cronogramas de abertura de poços coerentes com a realidade e que respeitassem as restrições impostas. Assim, em todas as situações as quais o modelo de solução foi aplicado, o modelo convergiu para resultados cujo VPL foi considerado satisfatório. Notou-se ainda que as soluções obtidas proporcionaram redução de custos, devido ao retardo na abertura de alguns poços. Contudo, apesar da abertura posterior de alguns poços, ainda assim foi possível alcançar valores de produção de óleo e de VPL mais elevados. O aumento de produção de óleo se deveu, principalmente, ao fato de as soluções encontradas contribuírem para conservar a pressão interna do reservatório. O modelo de solução se mostrou eficiente tanto em cenários econômicos reais e favoráveis, quanto em cenários econômicos desfavoráveis, sempre buscando alternativas com maior VPL possível.

7. Agradecimentos
Os autores gostariam de agradecer ao CNPq e à Petrobras pelo suporte financeiro para esta pesquisa.

8. Referências
ALMEIDA, L. F., VALDIVIA, Y. T., VELLASCO, M. M. B. R., PACHECO, M. A. C., Alternativas para o desenvolvimento de campos de petróleo. Gest. Prod., São Carlos, v. 14, n. 3, p. 489-503, set.-dez. 2007. BECKNER, B.L., SONG, X., Field development planning using simulated annealing - optimal economic well scheduling and placement. SPE Annual Technical Conference & Exhibition, U. S. A., October, 1995. CMG. IMEX – Advanced oil/gas reservoir simulator – version 2007 – User’s Guide. Calgary, Alberta, Canada: Computer Modelling Group LTD., 2007. 5.7.2 EMERICK, A. A.; SILVA, E.; MESSER, B.; ALMEIDA, L. F.; SZWARCMAN, D.; PACHECO, M. A. C.; VELLASCO, M. M. B. R. Well Placement Optimization Using a Genetic Algorithm With Nonlinear Constraints. In: SPE Reservoir Simulation Symposium, 2009, The Woodlands, SPE 118808, 2009. KLEIN, G., Gerenciamento de reservatórios de petróleo, Monografia (Engenharia de Produção), Universidade Federal do Rio de Janeiro, RJ, 2002. LINDEN, R. Algoritmos Genéticos - Uma Importante Ferramenta da Inteligência Computacional. Brasport, 2008. MAZO E.O.M., RAVAGNANI, A.T.F. da S., BARRETO, G.C.E.A.G., SCHIOZER, D.J. An integrated methodology for water management under operational restrictions In: SPE Reservoir Simulation Symposium, 2010, Peru, SPE 139336, 2010. MESSER. B. Projeto de Poços Multilaterais em Reservatórios de Petróleo Otimizados por Algoritmos Genéticos, Dissertação de mestrado (Engenharia Elétrica), Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, RJ, 2008. MEZZOMO, C. C., SCHIOZER, D. J. Methodology for Water Injection Strategies Planning Optimization Using Reservoir Simulation, Journal of Canadian Petroleum Technology, pg. 9-11, n° 7, vol. 42, Julho, 2003. MICHALEWICZ, Z. Genetic Algorithms + Data Structures = Evolution Programs, Springer Verlag, USA, 1996. 10