Anderson C. Faller Prh34 Ufsc Das G

UNIVERSIDADE FEDERAL DE SANTA CATARINA
CURSO DE ENGENHARIA DE CONTROLE E AUTOMAO INDUSTRIAL
Desenvolvimento de uma Plataforma

para Otimizao da Produo em
Tempo Real em Campos de Petrleo
Operados por Gas-Lift
Monografia submetida Universidade Federal de Santa Catarina

como requisito para a aprovao da disciplina:
DAS 5511 Projeto de Fim de Curso
Anderson Carlos Faller
Florianpolis, Abril de 2009
Desenvolvimento de uma Plataforma

para Otimizao da Produo em
Tempo Real em Campos de Petrleo
Monografia submetida Universidade Federal de Santa Catarina como

requisito para a aprovao na disciplina:
DAS 5511: Projeto de Fim de Curso
Florianpolis, abril de 2009.
Desenvolvimento de uma Plataforma para Otimizao

da Produo em Tempo Real em Campos de Petrleo
Esta monografia foi julgada no contexto da disciplina

DAS 5511: Projeto de Fim de Curso
e aprovada na sua forma final pelo
Curso de Engenharia de Controle e Automao
Banca Examinadora:
Prof. Eduardo Camponogara

Orientador
Prof. Augusto Humberto Bruciapaglia
Responsvel pela disciplina
Prof. Agustinho Plucnio
Avaliador
Tiago Correa
Andr Carvalho Bittencourt
Debatedores
Agradecimentos
famlia, pelo apoio, pelo amor e toda a confiana.

Morena, por todo o amor e carinho incondicionais.
Aos amigos, pela presena e por todos os momentos.
Ao professor Eduardo Camponogara, pela confiana.
Ao engenheiro Alex Teixeira, pela oportunidade.
Agncia Nacional do Petrleo, Gs Natural e
Biocombustveis (ANP) e Financiadora de Estudos e
Projetos (FINEP), pelo apoio financeiro prestado por
intermdio do Programa de Recursos Humanos da
ANP para o setor do Petrleo, Gs e Biocombustveis
PRH34 ANP/MCT.
ii
Resumo
Mtodos de elevao artifical so muito utilizados em campos de petrleo semidepletados, quando a presso esttica dos reservatrios no suficiente para assegurar uma elevao natural do fluido. Entre tais mtodos, encontra-se o gas-lift contnuo,
que consiste na injeo contnua de gs na base do tubo de produo a fim de gaseificar o fluido e facilitar a elevao. Poos que operam por esse mtodo so mais
frequentes em campos offshore em ativos superprodutores. Devido aos altos custos
envolvidos e o elevado ganho econmico resultante da produo de leo e gs, fazemse necessrias tcnicas avanadas de controle e otimizao desse tipo de processo.
Nesse trabalho feita uma abordagem matemtica para a formalizao das caractersticas do processo, bem como de suas restries, resultando numa formulao
geral para o problema de otimizao de gas-lift. Apesar dos fenmenos envolvidos
nesse processo serem bastante estudados na rea de tecnologia de escoamento e
elevao, modelos analticos das relaes de desempenho para os poos so difceis de serem obtidos. Portanto, so apresentadas tcnicas para a identificao dos
poos e so utilizadas ferramentas computacionais para a implementao de algoritmos de ajuste de curvas e otimizao global e local. Ferramentas proprietrias para a
execuo de algoritmos e procedimentos sistematizados so utilizadas. Por fim, so
apresentados resultados interpretados das tcnicas aplicadas em modelos simulados
a partir de uma plataforma de testes desenvolvida, simulando o manifold de gs e o
comportamento dos poos.
iii
Abstract
Artificial lift methods are widely applied in semi-depleted oil fields when the
reservoir static pressure is not enough to ensure the fluid natural flow. Continuous
gas-lift is one of these methods, it consists in continuous gas injection in the base of
the production tube, in order to gasify the fluid, reducing the hydrostatic pressure and
facilitating the fluid lifting. Gas-lifted wells are frequently found in offshore fields, where
oil production rates are very high. Due to the elevated costs involved and the high profitability resulting from oil and gas production, advanced control and optimization techniques are made necessary. In this work, a mathematical approach is used to formalize
general characteristics of the process, as well as its constraints, resulting in a general
formulation for the gas-lift optimization problem. Although the process phenomena are
widely studied in the flow technology area, analytical models for performance relations
are hard to be obtained. Therefore, well performance curves identification techniques
are presented, within the utilization of software tools for curve fitting and global/local
optimization. Proprietary tools for algorithms and procedures execution are used. Finally, interpreted results of the developed techniques are presented, using a testing
platform to simulate the gas-lift manifold and the wells behavior.
iv
Sumrio
1 Introduo
1.1 Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Elevao Artificial
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Gas-Lift Contnuo . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Objetivo do Projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Organizao do Documento . . . . . . . . . . . . . . . . . . . . . . . . .
2 Problemtica
2.1 Otimizao de Gas-Lift Contnuo . . . . . . . . . . . . . . . . . . . . . .
2.2 Obteno de Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.3 Ajuste de Curvas de Desempenho . . . . . . . . . . . . . . . . . . . . .
13
2.3.1 Ajuste Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.3.2 Ajuste de Funo Polinomial e Logartmica . . . . . . . . . . . .
17
2.3.3 Ajuste Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . .
19
2.3.4 Ajuste de Curva Pwf . . . . . . . . . . . . . . . . . . . . . . . . .
20
2.4 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
3 Sistema de Otimizao
22
Sumrio
3.1 Otimizao offline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.1.1 Equal-Slope
22
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
3.2 Ferramentas para Otimizao em Tempo Real . . . . . . . . . . . . . .
24
3.2.1 MPA - Mdulo de Procedimentos Automatizados . . . . . . . . .
24
3.2.2 Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
3.2.3 OPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
3.3 Otimizao Local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
3.4 Otimizao Global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
3.4.1 Programao Quadrtica Sequencial . . . . . . . . . . . . . . .
35
3.5 Identificao de Modelos . . . . . . . . . . . . . . . . . . . . . . . . . .
36
3.5.1 Deteco de Regime Permanente . . . . . . . . . . . . . . . . .
37
3.5.2 Verificao de Modelos . . . . . . . . . . . . . . . . . . . . . . .
37
3.5.3 Aquisio de Pontos (Qinj , Pwf ) . . . . . . . . . . . . . . . . . . .
38
3.6 Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
3.7 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
4 Plataforma de Testes
44
4.1 GLM no Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
4.1.1 Modelo Simplificado de um Poo . . . . . . . . . . . . . . . . . .
46
4.2 OLGA-OPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
5 Estudo de Casos
50
5.1 Otimizao Local no OLGA . . . . . . . . . . . . . . . . . . . . . . . . .
50
5.2 Otimizao Global no Matlab . . . . . . . . . . . . . . . . . . . . . . . .
51
5.3 Ensaios com restries . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
6 Concluses e Perspectivas
6.1 Interpretao dos Resultados Obtidos . . . . . . . . . . . . . . . . . . .
59
59
Sumrio
6.2 Perspectivas e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . .
Referncias
vi
60
62
vii
Lista de Figuras
1.1 Contextualizao do projeto. . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Esquemtico de poo operando via gas-lift. . . . . . . . . . . . . . . . .
1.3 Caractersticas das curvas Pwf Qinj e Qoil Qinj . . . . . . . . . . . .
2.1 Regio econmica de operao de um poo. . . . . . . . . . . . . . . .
3.1 Mtodo grfico para o equal-slope. . . . . . . . . . . . . . . . . . . . . .
24
3.2 Processo de configurao do MPA. . . . . . . . . . . . . . . . . . . . . .
25
3.3 Configurao de fluxos no MPA. . . . . . . . . . . . . . . . . . . . . . .
26
3.4 Arquitetura bsica do Laplace. . . . . . . . . . . . . . . . . . . . . . . .
27
3.5 Interface grfica do Laplace.
. . . . . . . . . . . . . . . . . . . . . . . .
27
3.6 Estrutura OPC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
3.7 Situaes do algoritmo de otimizao local com passo fixo. . . . . . . .
29
3.8 Fluxograma de busca de mnima Pwf implementado no MPA. . . . . . .
30
3.9 Sucessivas aproximaes quadrticas do algoritmo de passos variveis. 32

3.10 Aplicao de otimizao global GLOPTIM.
. . . . . . . . . . . . . . . .
42
3.11 Cooperao entre os elementos do sistema. . . . . . . . . . . . . . . .
43
4.1 Controle do manifold com ao feed-foward . . . . . . . . . . . . . . . .
45
4.2 Bloco de otimizao no Matlab. . . . . . . . . . . . . . . . . . . . . . . .
46
4.3 Modelo modificado de Hammerstein . . . . . . . . . . . . . . . . . . . .
46
4.4 Arquitetura bsica do Linker OLGA-OPC . . . . . . . . . . . . . . . . . .
48
Sumrio
viii
4.5 Interface grfica do Linker OLGA-OPC . . . . . . . . . . . . . . . . . . .
48
5.1 Otimizao local em um poo modelado no OLGA: Qinj e Pwf . . . . . .
51
5.2 Otimizao local em um poo modelado no OLGA: Qinj e Qoil . . . . . .
52
5.3 Queda da produo com um modelo errado. . . . . . . . . . . . . . . .
52
5.4 Distribuio de gs entre os poos. . . . . . . . . . . . . . . . . . . . . .
53
5.5 Tabela de alocao para o cenrio de 8 poos. . . . . . . . . . . . . . .
54
5.6 Tabela de alocao com restrio de separao de gua. . . . . . . . .
55
5.7 Tabela de alocao com restrio de separao de leo. . . . . . . . .
56
5.8 Tabela de alocao considerando exportao de gs a um baixo preo.
56
5.9 Tabela de alocao considerando exportao de gs a um alto preo. .
57
5.10 Alocao com restrio de separao de gua e exportao de gs. . .
57
5.11 Restries de igualdade para a disponibilidade de gs. . . . . . . . . .
58
ix
Lista de Tabelas
3.1 Critrios para tomada de deciso no algoritmo de otimizao local. . . .
29
Captulo
Introduo
Este projeto surgiu no contexto da rede temtica GeDIg - Gerenciamento Digital
Integrado de Campos de Petrleo - que visa a gradual implantao de elementos de
automao, controle, otimizao e superviso em campos de petrleo com a filosofia
dos Campos Inteligentes (Smart Fields). O objetivo aumentar o grau de automao
em campos produtores com a finalidade de melhorar a eficincia de processos de
elevao e processamento dos fluidos.
O processo comea com novas tcnicas de completao inteligente de poos,
onde so instalados sensores de fibra ptica durante a fase de completao dos
poos, permitindo que sejam incorporadas novas medies s tcnicas de controle e
otimizao atuais. Um exemplo disso a instalao de sensores de presso e temperatura no fundo dos poos, agregando muito valor ao conhecimento do funcionamento
do processo.
No CENPES, o Centro de Pesquisa e Desenvolvimento Leopoldo Amrico Miguez de Mello da Petrobras (Petrleo Brasileiro S/A), so conduzidas atividades de
pesquisa e desenvolvimento relacionadas a todas as atividades fins da empresa,
desde a prospeco distribuio de derivados de petrleo, alm linhas de pesquisa
em alternativas energticas ligadas eficincia de seus processos.
O Departamento de Automao e Sistemas (DAS-UFSC) possui uma parceria com o CENPES atravs dessa rede temtica GeDIg, abrindo as portas para a
transferncia mtua de conhecimento, desenvolvendo a cultura do petrleo dentro da
Universidade e, por outro lado, contribuindo com a indstria utilizando o know-how em
otimizao e controle existente dentro do Departamento.
1. Introduo
GeDIg
DAS
Projeto
CENPES
Figura 1.1: Contextualizao do projeto.

A Figura 1.1 insere o projeto no crculo de atividades DAS-GeDIg-CENPES.
O projeto que originou este trabalho chamado "Desenvolvimento de Algoritmos de Controle para Mtodos de Elevao Artificial", que contempla a elevao artificial por bombeio mecnico e gas-lift contnuo, sempre voltado para a filosofia GeDIg.
Neste trabalho, so desenvolvidas tcnicas para a Otimizao em Tempo Real
de campos que operam por gas-lift contnuo, baseando-se no conhecimento j desenvolvido dentro do Departamento com relao a tcnicas de otimizao, controle e
simulao de processos.
1.1 Motivao
Em vista das grandes somas de dinheiro envolvidas no processo, altos custos
de produo, alto valor do petrleo no mercado e campos com poos superprodutores,
tornam-se interessantes tcnicas que so capazes de otimizar a produo, com a
possibilidade de aumentar substancialmente o ganho econmico.
Atualmente, a maior parte do leo produzido no Brasil proveniente do mtodo
de elevao artificial conhecido como gas-lift (elevao por injeo contnua de gs),
com uma fatia de 71% da produo total, seguida pela produo de poos surgentes
(15%). Campos que possuem poos operados por gas-lift e surgentes entraro na formulao geral, pois compartilham instalaes de superfcie e recursos, caracterizando
restries.
Os reservatrios possuem dinmicas (causadas at pela sua depleo) que
provocam mudanas de parmetros [1] como a sua presso esttica, o seu ndice de
produtividade, o BSW, o GOR, as caractersticas fluidodinmicas do fluido produzido,
1. Introduo
entre outros, invalidando os modelos anteriormente utilizados para otimizao. Isso

demanda uma otimizao em tempo real, que envolve reidentificaes automticas de
modelos, medies virtuais de variveis do processo, com o auxlio de simuladores,
alm de mdulos de software capazes de conectar algoritmos com a rede de automao.
Os ganhos em produo em campos que adotam tcnicas de otimizao podem
ser bastante notveis, principalmente com o alto valor do petrleo no mercado. Em [2]
descrita uma experincia onde so obtidos ganhos de produo e maior estabilidade
atravs de controles ativos nos chokes.
Alm de propiciar medies virtuais de variveis no acessveis no processo,
os simuladores transientes podem informar conseqncias de tomadas de ao, ajudando a evitar instabilizaes do processo decorrentes de pontos de operao imprprios, impondo restries aos algoritmos.
Atravs da implementao desse sistema, espera-se obter um ganho em desempenho, reduo das perdas de produo, maior estabilidade, segurana e confiabilidade.
1.2 Elevao Artificial

Quando a presso no reservatrio suficiente para superar a presso resultante
da coluna hidrosttica do fluido e das instalaes da superfcie, o leo flui naturalmente
e atinge a superfcie. Nesse caso, dito que o poo surgente.
No entanto, quando um poo j est parcialmente depletado ([1] e [4]), por j
estar produzindo h muito tempo ou simplesmente no produzir de forma natural,
necessria a aplicao de mtodos de elevao artificial, que fornecem energia ao
sistema e auxiliam na elevao do fluido.
Dependendo do caso e do tipo de poo (onshore ou offshore), pouco ou muito
produtor, etc.), so aplicados diferentes mtodos. Poos no surgentes em terra que
produzem muito pouco normalmente so operados por bombeio mecnico ou gas-lift
intermitente.
Os poos offshore, que normalmente possuem uma produo maior, so operados por gas-lift contnuo, BCS (bombeio centrfugo submerso) ou uma combinao
de ambos.
1. Introduo
Nesse trabalho, sero abordados os casos onde os campos operam com elevao por injeo contnua de gs, ou gas-lift contnuo.
1.2.1 Gas-Lift Contnuo

O gas-lift contnuo um mtodo de elevao artificial [1] que consiste na injeo contnua de gs na base do tubo de produo, ocasionando a gaseificao da
coluna de fluido, diminuindo a sua densidade mdia e, por consequncia, a presso
hidrosttica sobre o fundo do poo. Dessa forma, a diferena de presso entre o reservatrio e o fundo do poo permite o escoamento do fluido. Um esquemtico de um
poo mostrado na Figura 1.2.
Qinj
Qliq + Qgas
Anular
Tubo Prod.
1111111
0000000
0000000
1111111
0000000
1111111
Canhoneados
Pwf
Figura 1.2: Esquemtico de poo operando via gas-lift.
TODO: Procurar referncia para a curva IPR.

A relao entre a presso de fundo Pwf e o influxo de lquido Qliq dada pela
curva IPR (Inflow Performance Relation). Tal relao tida como linear para fluidos sub-saturados, adquirindo uma forma quadrtica para presses menores que a
presso de saturao Psat do fluido. Neste trabalho, considerada uma curva IPR
constituda de uma parcela linear composta com a equao de Vogel, conforme a
equao:
"
Qliq = Qsat + (Qmax Qsat ) 1 0, 2
Pwf
Psat
0, 8
Pwf
Psat
2 #
(1.1)
1. Introduo
Onde Qsat a vazo quando Pwf = Psat e Qmax a vazo mxima do poo.
A vazo de leo Qoil obtida a partir do conhecimento de BSW (Basic Sediments and Water - frao de gua e sedimentos do lquido), sendo:
Qoil = (1 BSW )Qliq
(1.2)
No entanto, para taxas de injeo de gs muito elevadas, o escoamento atinge

velocidades tais que o efeito do atrito viscoso passa a predominar, resultando num
aumento da presso no fundo do poo e conseqentemente em perda de produo.
Portanto, a presso de fundo Pwf e a vazo de leo Qoil possuem curvas caractersticas, conforme a figura 1.3. A curva 1.3(b) chamada de WPC (Well Performance
Curve).
Qoil
Pwf
Qmax
oil
min
Pwf
Qinj
(a) Curva Pwf tpica.
Qinj
Qinj
(b) Curva Qoil tpica.
Figura 1.3: Caractersticas das curvas Pwf Qinj e Qoil Qinj
1.3 Objetivo do Projeto

Espera-se que, ao final deste trabalho, seja concludo um prottipo de um sistema completamente automatizado para a otimizao da produo de petrleo em
campos operados por gas-lift contnuo, atravs da tomada de deciso em tempo real
quanto alocao do gs disponvel, considerando possveis restries de processamento primrio nas plataformas.
Tambm desejvel que a plataforma desenvolvida realmente sirva como prova
de conceito e apresente os resultados esperados em sistemas simulados, para que
posteriormente possa vir a ser aplicada em plataformas reais. Para tal, ser desen-
1. Introduo
volvida uma plataforma de simulao para testes com interface semelhante encontrada na indstria, garantindo uma portabilidade do sistema desenvolvido.
Podem ser enumerados alguns objetivos especficos:
Um levantamento das caractersticas do processo e uma formulao geral do
problema;
Um sistema portvel de otimizao em tempo real implementado para as ferramentas j disponveis na empresa;
Uma plataforma de simulao para validao, calibrao e testes de algoritmos.
1.4 Metodologia
Como as atividades foram desenvolvidas em laboratrio (Laboratrio de Otimizao da Produo), trabalhou-se com modelos de simulao no OLGA, leitura de
dados histricos de historiadores e simulaes de modelos simplificados no Matlab.
Para o desenvolvimento da plataforma de simulao, foram estudadas tecnologias de integrao de simuladores, com a implementao de algumas camadas de
protocolos [3] para realizar a interface do OLGA com o restante do sistema.
O desenvolvimento do projeto proposto inclui a implementao de diversos sistemas em linguagens diferentes. Especificamente, so utilizadas as seguintes linguagens: Lua 1 , para a implementao dos blocos de funo do MPA; C/C++, para a
implementao de algoritmos de otimizao; Java2 , para a integrao de sistemas e
implementao de protocolos de rede; e Matlab3 , para a implementao de modelos
de simulao e prototipagem de controles locais.
As atividades foram ordenadas de forma lgica, algumas ocorrendo em paralelo.
Inicialmente, deveria ser implementada a plataforma de simulao, para que fossem
realizados testes e a posterior implementao definitiva dos algoritmos.
1
Lua - http://www.lua.org
Java Technology - http://java.sun.com
3
Mathworks Matlab - http://www.mathworks.com
2
1. Introduo
1.5 Organizao do Documento

Segue a organizao proposta para o documento. No Captulo 2 so levantados
os problemas a serem resolvidos com a plataforma de otimizao, explicitando todas
as suas formulaes.
No Captulo 3 apresentada a soluo proposta, atravs de um conjunto de ferramentas utilizadas para a implementao de algoritmos e procedimentos. Tambm
descrito o mtodo de otimizao utilizado atualmente em campos de gas-lift contnuo.
No Captulo 4, descrita a plataforma de simulao desenvolvida para a aplicao dos algoritmos de otimizao global e local e para a realizao de testes.
No Captulo 5, so expostos resultados dos algoritmos e procedimentos propostos aplicados plataforma de simulao.
Por fim, o Captulo 6 traz uma breve interpretao dos resultados atingidos,
fazendo uma previso da continuidade desse trabalho em paralelo com o contnuo
avano da tecnologia.
Captulo
Problemtica
Este captulo traa os desafios inerentes ao problema de otimizao de gaslift, expondo todos os problemas a serem resolvidos e o equacionamento envolvido.
Posteriormente, no Captulo 3, sero expostas as ferramentas computacionais e os
mtodos de soluo para a problemtica aqui desenvolvida.
A Seo 2.1 apresenta a modelagem matemtica do problema de otimizao de
gas-lift, sendo esta baseada em modelos. A Seo 2.2 apresenta possveis mtodos
para a obteno de modelos de curvas de desempenho de poos para utilizao na
soluo do problema de otimizao. Por fim, a Seo 2.3 expe a questo do ajuste
de curvas, tcnica utilizada nesse projeto para a obteno de modelos de WPCs a
partir de um conjunto de pontos experimentais.
2.1 Otimizao de Gas-Lift Contnuo

O problema de alocao de gas-lift resume-se a otimizar a distribuio de gs
de elevao entre o conjunto de poos que compartilham um manifold de gs comprimido, que tambm pode vir a ser exportado.
Na introduo desse documento foram expostos os princpios de funcionamento
do mtodo de elevao por gas-lift, contextualizando o problema de otimizao atravs
da introduo das curvas de desempenho (WPCs) dos poos. A princpio, um poo
est produzindo de forma tima quando este opera com mxima taxa de produo de
leo Qoil . No entanto, sabe-se que existem custos envolvidos, alm de restries do
processo.
2. Problemtica
Um fator a ser considerado o custo de compresso de gs. A curva que

relaciona Qinj Qoil pode ser to achatada que incrementos em Qinj podem resultar
em ganhos insignificantes de Qoil . Costuma-se operar um poo dentro de uma regio
econmica, visualizada na Figura 2.1.
Qoil
R.E.
Pwf
Qinj
Figura 2.1: Regio econmica de operao de um poo.
Alm disso, devem ser consideradas restries de separao e processamento

do fluido produzido. A disponibilidade de gs tambm um fator crtico, visto que
os bancos de compressores das plataformas so projetados para fornecer uma determinada quantidade de gs aos poos, geralmente mantendo-os dentro da regio
econmica. No entanto, devem ser tomadas decises quanto s vazes de injeo de
cada poo a fim de maximizar o ganho econmico. Portanto, a seguir ser detalhada
a formulao geral do problema.
Dada uma disponibilidade de gs, este deve ser distribudo aos poos (ou exportado) de forma a maximizar o ganho econmico global. Considera-se que alguns
poos podem no estar includos na resoluo do problema, por estarem operando
de forma forada (devido solicitaes de operadores ou procedimentos automatizados
de identificao). P o conjunto de todos os poos, sendo Sp o conjunto dos poos
em que se tem liberdade para variar a vazo de injeo de gs Qinj . E o conjunto
de linhas de exportao e Se representa as linhas de exportao de gs com liberdade de se variar a vazo Qexp . Normalmente, trabalha-se com apenas uma linha de
exportao, mas a formulao matemtica genrica.
2. Problemtica
10
A formulao para o problema, dada uma disponibilidade de gs Qdisp , :
P: Maximize
Gip (Qiinj ) +
iSp
Sujeito a:
jSe
Qiinj +
iSp
Gje (Qjexp )
(2.1a)
Qjexp 6 Qdisp
(2.1b)
jSe
Qi,min
6 Qiinj 6 Qi,max
inj
inj
i Sp
(2.1c)
Qj,min
6 Qjexp 6 Qj,max
exp
exp
X
Qkoil (Qkinj ) 6 Qmax
Qmin
oil
oil 6
j Se
(2.1d)
(2.1e)
kP
Qmin
gas 6
Qlgas (Qlinj ) 6 Qmax

gas
(2.1f)
lE
Qkwat (Qkinj )
6 Qmax
wat
(2.1g)
kP
Qdisp a vazo disponvel para otimizao, sendo que Qdisp Qdisp a vazo
total sob operao forada:
Qdisp = Qdisp
Qkinj +
kP Sp
Qlexp
(2.2)
lESe
Onde:
P o conjunto dos ndices dos poos;
E o conjunto das linhas de exportao;
Sp o conjunto dos poos com liberdade de ao, tal que Sp P ;
Se o conjunto das linhas de exportao com liberdade de ao, tal que Se E;
Gip o ganho econmico com a produo do poo i;
Gje o ganho econmico com a exportao na linha j;
Qi,min
e Qi,max
so os limites operacionais do poo i;
inj
inj
Qj,min
e Qj,max
so os limites operacionais da linha de exportao j;
exp
exp
2. Problemtica
11
max
max
Qmax
oil , Qgas e Qwat so as capacidades de processamento (handling) de leo,
gs e gua, respectivamente;
min
Qmin
oil e Qgas so valores mnimos estabelecidos para produo de leo e de gs,
atribudos baseados em questes estratgicas.

Os ganhos econmicos com a produo (Gp ) e a exportao (Ge ) so dados da
seguinte forma:
Gip (Qiinj ) = poil Qioil (Qiinj ) + pgas Qigas (Qiinj ) pwat Qiwat (Qiinj ) pcomp Qiinj
Gje (Qjexp ) = (pjexp pcomp )Qexp
(2.3)
(2.4)
Tais ganhos so determinados a partir de valores de mercado ou relaes de

valor de acordo com campanhas internas da empresa. Os valores a serem atribudos
so:
poil o ganho com o leo produzido;
pgas o ganho com o gs produzido;
pwat o custo de tratamento da gua produzida;
pcomp o custo de compresso de gs;
pjexp o ganho com a exportao de gs pela linha j.
A fim de resolver o problema (2.1a)-(2.1g), deve-se introduzir modelos que representam a relao Qinj Qoil , de onde podem ser tiradas as relaes para Qwat e
Qgas . Tais modelos devem ser ajustados a dados de experimentais, como tratado na
Seo 2.3.
A formulao do problema P o modelo que foi desenvolvido de forma a atender necessidades gerais de um problema genrico de otimizao de gas-lift contnuo
em uma plataforma. Ela deve ser adaptada na implantao em alguma plataforma
especfica, dependendo das especificaes da gerncia operacional.
Por exemplo, a restrio de compresso de gs Qdisp pode vir a demandar o
fechamento imediato de algum poo de forma a garantir o bom funcionamento dos demais. Tal formulao introduziria variveis binrias multiplicando as taxas de injeo
2. Problemtica
12
Qinj de cada poo, alm de demandar um tratamento matemtico mais avanado.

Mtodos mais sofisticados so necessrios para resolver tal problema, como Programao No-Linear Inteira Mista (MINLP) ou Programao Dinmica. Tal considerao
sugere um trabalho futuro na rea. Tcnicas sofisticadas como estas so tratadas em
[7], [8], [9], [12] e [13].
Considerando o cenrio simplificado aqui tratado, onde a funo objetivo simplesmente maximizar o ganho econmico sem o fechamento de poos, podem ser
aplicados algoritmos que consideram variveis de natureza contnua, como o de Programao Quadrtica Sequencial (SQP) [5], garantindo convergncia global para a
soluo. O detalhamento do mtodo para resolver esse problema encontra-se na
Seo 3.4.
2.2 Obteno de Modelos

Para a soluo do problema de otimizao detalhado na seo anterior, evidente a necessidade de utilizao de modelos para as curvas de desempenho dos
poos, as WPCs. Tais modelos no so conhecidos a priori, pois dados disponveis
online so apenas as variveis do processo, como algumas vazes, presses e temperaturas.
Os modelos das geometrias dos poos so conhecidos e bem documentados.
Isso permite a modelagem em simuladores de escoamento, tanto transientes quanto
de regime permanente. O simulador de regime permanente proprietrio da Petrobras
o Marlim.
O Marlim contempla toda a geometria dos poos, bem como as caractersticas
dos equipamentos do processo. Atravs de modelos fenomenolgicos e empricos
realizada uma simulao que retorna os valores de regime permantente para algumas
variveis, inclusive as vazes de leo e as presses de fluxo no fundo dos poos
(variveis de interesse para otimizao). Obtendo-se pontos para a relao Qoil Qinj
atravs de uma varredura da faixa operacional de Qinj , tem-se uma WPC. Uma curva
analtica pode ser aproximada atravs de mtodos de ajuste de curvas (Seo 2.3).
O simulador transiente utilizado o OLGA. Ele simula situaes de escoamento
multifsico em geral, sendo de serventia para o gas-lift contnuo atravs de mdulos
que permitem a modelagem de caractersticas de poos e dos efeitos da interao do
anular com o tubo de produo. O OLGA utilizado quando o engenheiro de petrleo
2. Problemtica
13
responsvel pela otimizao tem interesse em analisar a dinmica do sistema no caso

da mudana do ponto de operao, tambm sendo til para obter relaes de regime
permanente. Os modelos so validados quando os resultados da simulao conferem
com os dados dos testes de produo e a dinmica assemelha-se observada em
dados histricos ou em visitas plataforma.
Uma outra forma de obteno de modelos de WPCs seria atravs da aplicao
de sucessivos degraus em Qinj e medio da vazo da produo de leo Qoil . No
entanto, tal medio ainda no disponvel, devido ao fato dos sensores de vazo para
escoamento multifsico ainda serem muito caros e pouco precisos. Portanto, deve-se
utilizar variveis conhecidas do processo para a inferncia de Qoil . Uma forma seria
ler a presso de fluxo no fundo do poo (Pwf ) a cada degrau de injeo Qinj , traar
uma relao Pwf Qinj e estimar a vazo de leo atravs da curva IPR, detalhada na
Seo 1.2. Seus parmetros Psat , Qsat e Qmax so dados atualizados a cada teste de
produo, que acontece periodicamente.
2.3 Ajuste de Curvas de Desempenho

Quando se tem disponibilidade dos valores de vazo de leo produzido (atravs
de simuladores ou testes de produo), podem-se estabelecer relaes a partir desses
dados, a fim de obter modelos de regime permanente a parmetros concentrados para
cada poo.
possvel estabelecer diversos modelos de WPCs, que podem ser bastante
representativos no intervalo de interesse. Tratamos de quatro deles:
1. Linear por partes: so conhecidos os pontos das taxas de injeo de gs para as
respectivas taxas de produo. Tem-se um conjunto de pontos S = {(Q1inj , Q1oil ),
m
(Q2inj , Q2oil ), . . . , (Qm
inj , Qoil )}, onde m o nmero de pontos. A funo Qoil =
fpwl (Qinj ) dada pela interpolao linear dos pontos de S.

2. Polinomial de terceira ordem: a relao dada por um polinmio de terceira
ordem; Qoil = fp (Qinj ) = a0 + a1 Qinj + a2 Q2inj + a3 Q3inj .
3. Polinomial composto com logartmico: um modelo constitudo de um polinmio
de segunda ordem, com um termo logartmico; Qoil = fl (Qinj ) = ao + a1 Qinj +
a2 Q2inj + a3 ln (1 + Qinj ).
2. Problemtica
14
4. Exponencial: uma funo exponencial, conforme [6]; Qoil = fe (Qinj ) = a0 (2

ea1 Qinj ) a2 ea3 Qinj . Essa curva possui uma melhor correlao que as demais,
tambm obtendo uma melhor extrapolao.
O objetivo obter os modelos a parmetros concentrados (modelos 2-4) a partir
do conjunto de pontos S, minimizando-se o erro quadrtico da curva ajustada em
relao aos m pontos, ou seja:
m
X
2

Minimize
f (Qjinj ) Qjoil
(2.5)
j=1
Para o problema de otimizao global de gas-lift interessante que as curvas

de desempenho sejam cncavas, o que garante que a soluo tima ser global. Para
tal, devem ser aplicadas restries de concavidade em todo o intervalo do ajuste de
curvas, ou seja:
d2 Qoil
< 0, Qinj [Q1inj , Qm
inj ]
2
d(Qinj )
(2.6)
Para cada tipo de ajuste, a formulao da funo objetivo e das restries possuem caractersticas diferentes. Os casos particulares sero tratados a seguir. Alguns dos casos podem ser tratados como problemas de programao quadrtica.
As restries de concavidade assumem diferentes caractersticas, de acordo com
Qoil = f (Qinj ).
No entanto, nesse projeto tambm considerado um caso de ajuste de curvas para a funo Pwf (Qinj ), que ser bastante til na inferncia das vazes de leo
atravs da curva IPR. Nesse caso, o problema de ajuste bastante semelhante,
minimizando-se o erro quadrtico dos pontos curva:
Minimize
m
X

j 2
Pwf (Qjinj ) Pwf
(2.7)
j=1
E para garantir a convexidade da curva (seu formato caracterstico o da Figura

1.3), tambm devem ser aplicadas as restries correspondentes:
2. Problemtica
15
d2 Pwf
> 0, Qinj [Q1inj , Qm
inj ]
2
d(Qinj )
(2.8)
O problema de ajuste de curvas Pwf (Qinj ) tratado de forma bastante especfica, sendo sua soluo apresentada no captulo 3.
2.3.1 Ajuste Polinomial

Aqui ser considerada uma abordagem que transforma o problema 2.7 com as
restries da inequao 2.6 em um problema de programao quadrtica para o ajuste
dos pontos de S curva polinomial Qoil = fp (Qinj ).
Se aplicarmos cada ponto de S funo polinomial fp , temos um sistema de
equaes lineares, que escrevemos matricialmente como:
(Q1inj )
(Q1inj )2
(Q1inj )3
1
..
.
(Q2inj )
(Q2inj )2
(Q2inj )3
..
.
..
.
m 2
1 (Qm
inj ) (Qinj )
a
0
a
1
=
..
a2
.

m 3
a
(Qinj )
3
Q1o
Q2o
..
.
Qm
o
(2.9)
(2.9) pode ser escrito da forma Ax = b, onde x = [ a0 a1 a2 a3 ]T . Como o

nmero de equaes (linhas de A) maior que o nmero de incgnitas, desejamos
minimizar o resduo k Ax b k, ou seja:
Minimize
1
k Ax b k2
2
(2.10)
Desenvolvendo (2.10) temos:
1
1
k Ax b k2 =
(Ax b)T (Ax b)
2
2
1 T T
(x A bT )(Ax b)
=
2
1 T T
=
(x A Ax xT AT b bT Ax + bT b)
2
1
1 T T
x A Ax bT Ax + bT b
=
2
2
(2.11a)
(2.11b)
(2.11c)
(2.11d)
(2.11e)
2. Problemtica
16
O problema consiste em minimizar 21 xT AT Ax bT Ax + 12 bT b, onde 21 bT b uma

constante, portanto o problema resume-se a:
1
Minimize xT AT Ax bT Ax
2
(2.12)
O problema (2.12) pode ser escrito da seguinte forma:

1
Minimize xT Qx + cT x
2
(2.13)
(2.13) um problema de programao quadrtica [11]. Note que Q > 0 (positiva

semi-definida), pois Q = AT A; xT Qx = xT AT Ax =k Ax k2 > 0, x. Logo, Q positiva
semi-definida. Q inversvel, pois rank(A) = 4, ou seja, A tem posto completo, o que
implica que Q = AT A tem inversa.
Deseja-se que fp (Qinj ) seja cncava em todo o intervalo [Q1inj , Qm
inj ]. Para isso,
a segunda derivada de fp (Qinj ) deve ser menor que zero nesse intervalo.
6a3 Qinj + 2a2 < 0, Qinj [Q1inj , Qm

inj ]
(2.14)
Proposio 2.3.1. Se for cncava em Q1inj e em Qm

inj , ento fp (Qinj ) ser cncava
para qualquer Qinj [Q1inj , Qm
inj ].
Demonstrao. Se 6a3 Q1inj + 2a2 < 0, 6a3 Qm

inj + 2a2 < 0 e fp (Qinj ) sempre decres-
cente ou sempre crescente nesse intervalo (por ser de primeira ordem), no existem razes (mudana de sinal) de fp (Qinj ) em [Q1inj , Qm
inj ]. Portanto, 6a3 Qinj + 2a2 <
0, Qinj [Q1inj , Qm
inj ].
Por consequncia, podemos impor a restrio de concavidade apenas no primeiro e no ltimo ponto no ajuste da curva polinomial. No entanto, do ponto de vista
numrico, no podemos aplicar a restrio <, somente 6. Mas podemos fazer a
aproximao < 0
= 6 , para suficientemente pequeno.
2. Problemtica
17
Portanto, :
1
2
Sujeito a: 6a3 Q1inj + 2a2 6
(2.15b)
6a3 Qm
inj + 2a2 6
(2.15c)
(2.15a)
Onde: Q = AT A, cT = bT A e x = [ x0 x1 x2 x3 ]T = [ a0 a1 a2 a3 ]T .
Esta formulao desenvolvida aplicar-se-ia no caso da utilizao de algoritmos de
programao quadrtica. A formulao geral para o problema seria:
Minimize
m
X
fp (Qjinj ) Qjoil
j=1
Sujeito a: 6x3 Q1inj + 2x2 6 0
2
(2.16a)
(2.16b)
6x3 Qm
inj + 2x2 6 0
(2.16c)
2.3.2 Ajuste de Funo Polinomial e Logartmica

Aplicando cada ponto de S funo logartmica fl , temos um sistema de equaes lineares, que escrevemos matricialmente como:
1 (Q1inj ) (Q1inj )2 ln (Q1inj )
a0
Q1o
a Q2
1 o
a2 ...
m
m
a3
ln (Qinj )
Qo
1 (Q2inj ) (Q2inj )2 ln (Q2inj )

..
..
..
..
.
.
.
.
m 2
1 (Qm
inj ) (Qinj )
(2.17)
Com um raciocnio anlogo ao apresentado na seo anterior, chegamos ao

mesmo problema de programao quadrtica, conforme as equaes (2.12) e (2.13).
Como restrio, desejamos que fl (Qinj ) seja cncava em todo o intervalo [Q1inj , Qm
inj ].
Portanto, a segunda derivada de fl (Qinj ) deve ser menor ou igual a zero nesse intervalo.
2a2 a3
1
6 0, Qinj [Q1inj , Qm
inj ]
(1 + Qinj )2
(2.18)
2. Problemtica
18
Proposio 2.3.2. Se fl (Qinj ) for cncava em Q1inj e em Qm

inj , ser cncava para
qualquer Qinj [Q1inj , Qm
inj ].
Demonstrao. Se a3 for positivo, medida que Qinj decresce, o lado esquerdo de
(2.18) tambm decresce, bastando que seja cncava em Qm
inj . Mas se a3 for negativo,
o lado esquerdo decresce medida que Qinj cresce, por isso necessrio que seja
cncava em Q1inj . A princpio, no conhecido o sinal de a3 , portanto, necessrio
que fl (Qinj ) seja cncava em Q1inj e em Qm
inj .
A consequncia disso que podemos aplicar a restrio de concavidade apenas no primeiro e no ltimo ponto para o ajuste da curva polinomial e logartmica.
Da mesma maneira que o ajuste polinomial, o ajuste polinomial e logartmico
pode ser feito aplicando um algoritmo de programao quadrtica, utilizando a funo
objetivo e as restries deduzidas, assumindo a forma:
1
2
1
Sujeito a: 2a2 a3
60
(1 + Q1inj )2
1
60
2a2 a3
2
(1 + Qm
inj )
(2.19a)
(2.19b)
(2.19c)
Onde: Q = AT A, cT = bT A e x = [ x0 x1 x2 x3 ]T = [ a0 a1 a2 a3 ]T .
Agora, A a matriz do sistema (2.17). Assim como no caso da curva polinomial,
tambm pode-se estabelecer uma formulao mais geral para o problema, tornandose:
Minimize
m
X
fl (Qjinj ) Qjoil
j=1
2
1
60
(1 + Q1inj )2
1
60
2a2 a3
2
(1 + Qm
inj )
Sujeito a: 2a2 a3
(2.20a)
(2.20b)
(2.20c)
2. Problemtica
19
2.3.3 Ajuste Exponencial

Neste caso, os parmetros de ajuste (coeficientes da funo Qoil = fe (Qinj ))
no so lineares. Portanto, no se pode escrever o problema na forma matricial a
fim de colocar a formulao na forma dos casos anteriores, como um problema de
programao quadrtica. A formulao geral considerada:
m
m
X
X
j
j
j
j 2
Minimize
[fe (Qinj ) Qoil ] =
[a0 (2 ea1 Qinj ) a2 ea3 Qinj Qjoil ]2
j=1
(2.21)
j=1
Conforme j especificado, a funo fe (Qinj ) deve ser cncava em todo o intervalo [Q1inj , Qm
inj ]. Para tal, a sua derivada segunda deve ser menor ou igual a zero em
todo o intervalo, conforme (2.22):
a0 a21 ea1 Qinj a2 a23 ea3 Qinj 6 0
(2.22)
Para tornar a compreenso das restries mais simples, possvel dividi-las em

subproblemas, de acordo com os sinais de a0 e a2 . Tais subproblemas so computacionalmente mais simples de serem resolvidos.
Se a0 > 0 e a2 > 0, a desigualdade (2.22) sempre verdadeira. Mas se a0 < 0
e a2 < 0, a desigualdade torna-se falsa, excluindo essa possibilidade.
Multiplicando-se ambos os lados de (2.22) por ea1 Qinj , temos:
a0 a21 a2 a23 e(a1 +a3 )Qinj 6 0
(2.23)
Se a0 > 0 e a2 < 0, h duas possibilidades quanto a a1 e a3 . Se a1 +a3 > 0, o lado

esquerdo de (2.23) sempre crescente, bastando que haja a restrio de concavidade
em Qm
inj . Mas se a1 + a3 < 0, o lado esquerdo sempre decrescente, bastando que se
aplique a restrio em Q1inj .
Por outro lado, se a0 < 0 e a2 > 0, as possibilidades quanto a a1 e a3 so as
seguintes: se a1 + a3 > 0, o lado esquerdo de (2.23) sempre decrescente, sendo
suficiente o teste de concavidade em Q1inj ; mas se a1 + a3 < 0, o lado esquerdo
sempre crescente, bastando que se aplique a restrio em Qm
inj .
Em resumo, aplica-se a restrio (2.22) em Q1inj e em Qm
inj . As restries a0 > 0
e a2 > 0 podem ser teis para limitar o espao de solues, aumentando a eficincia
2. Problemtica
20
do algoritmo. A formulao para o ajuste da curva exponencial fica:
Minimize
m
X
fe (Qjinj ) Qjoil
j=1
2
Sujeito a: a0 a21 ea1 Qinj a2 a23 ea3 Qinj 6 0
(2.24a)
(2.24b)
a0 > 0
(2.24c)
a2 > 0
(2.24d)
2.3.4 Ajuste de Curva Pwf

Um modelo para a curva Pwf (Qinj ) proposto por Plucnio no desenvolvimento
do projeto GeDIg. Seus termos foram concebidos pensando-se no formato da curva.
Esta decrescente com o aumento de Qinj at um determinado valor. A partir do
ponto de Pwf mnima, esta comea a aumentar devido aos efeitos de frico no tubo
de produo.
Portanto, o modelo possui um termo exponencial para o caimento de Pwf e
um termo linear para representar o princpio de seu crescimento (cobrindo a faixa
operacional do poo), ficando:
Pwf (Qinj ) = 1 e2 (Qinj ) + 3 + 4 Qinj
(2.25)
O expoente m de Qinj no termo exponencial foi introduzido para permitir uma

transformao no alongamento horizontal da curva, sendo possvel atingir melhores
coeficientes de ajuste (menores erros quadrticos). O mtodo para a obteno desse
expoente detalhado na Seo 3.6.
A curva acima ser convexa quando os parmetros 1 , 2 e 4 forem maiores
que zero, fazendo com que esta mantenha o formato proposto acima (que convexo).
2.4 Resumo
Este captulo especificou os problemas a serem resolvidos nesse projeto atravs
do desenvolvimento de solues computacionais. Deve-se utilizar ferramentas para a
2. Problemtica
21
implementao de algoritmos de otimizao global na alocao de gas-lift em plataformas, atravs da utilizao de modelos obtidos em procedimentos de otimizao e
ferramentas de ajuste de curvas.
O captulo subsequente descreve em detalhes as ferramentas utilizadas e as
implementaes dos algoritmos e procedimentos.
22
Captulo
Sistema de Otimizao
Este captulo descreve em detalhes o sistema para otimizao implementado,
traando um paralelo com o estado da arte em otimizao.
3.1 Otimizao offline

Atualmente j realizado um trabalho de otimizao da produo em plataformas. No entanto, esse procedimento feito offline, conforme citado na Seo 1.1.
Os poos da plataforma so modelados no simulador de regime permanente
Marlim, que utiliza equacionamentos de modelos fsicos para inferir os valores de
regime permanente das variveis, como j introduzido na Seo 2.2. A simulao
traa o perfil de produo de leo para diversos pontos ao longo da faixa operacional
dos poos
Obtidas as vazes de leo para diversos pontos de cada poo, pode-se traar
as suas WPCs. Usualmente so utilizados polinmios de segundo grau ajustados aos
pontos. Diferentes formulaes para o problema de ajuste de curvas foram tratadas
na seo 2.3.
Tomando por base a capacidade do compressor de fornecer uma determinada
vazo de gs Qdisp
inj (vazo disponvel), emprega-se um algoritmo simples para resolver
o problema (2.1a), que corresponde alocao de gas-lift que maximiza a produo
considerando apenas a restrio de compresso de gs. Tal algoritmo chama-se
equal-slope e pode fornecer uma soluo analtica para o problema. O mtodo
detalhado a seguir.
3. Sistema de Otimizao
23
3.1.1 Equal-Slope
O algoritmo de equal-slope bastante simples, mas muito utilizado na indstria.
Ele utilizado para resolver problemas de alocao de gas-lift para a maximizao da
produo de leo, sob a restrio de gs disponvel, ou seja:
P: Maximize
n
X
Qioil (Qiinj )
(3.1a)
Qiinj = Qdisp
(3.1b)
i=1
Sujeito a:
n
X
i=1
A soluo para o problema {Q1inj , Q2inj , , Qninj }, tal que:
dQ2oil (Q2inj )
dQnoil (Qninj )
dQ1oil (Q1inj )
=
= ... =
=
dQ1inj
dQ2inj
dQninj
n
X
Qiinj = Qdisp
(3.2)
(3.3)
i=1
Ou seja, a soluo obtida quando todas as WPCs possuem derivadas iguais

a , que o multiplicador de Lagrange para a restrio de disponibilidade de gs, e
satisfeita a relao (3.3).
As equaes (3.2) e (3.3) representam um sistema de (n+1) equaes e (n+1)
variveis. Dependendo da natureza das funes Qoil (Qinj ), o sistema mais difcil
de resolver. No entanto, se forem curvas quadrticas, suas derivadas so lineares,
fazendo com que o sistema seja linear e de simples soluo.
A Figura 3.1 o mtodo grfico de resoluo do equal-slope, onde podem ser
visualizadas as representaes das equaes que definem o problema.
Quando as WPCs so curvas analticas, como polinmios de segunda ordem,
o problema tem soluo analtica e direta. Sua ampla utilizao deve-se sua simplicidade e simples compreenso, alm de ser capaz de resolver boa parte do problema
de otimizao. O mtodo aplicado quando so feitos testes de produo e so ajustados os modelos no Marlim, sendo ento estabelecidas as taxas de injeo em cada
poo. E ento so traadas as metas de produo para o prximo perodo.
dQoil
dQinj
24
dQ1oil
dQ1inj
dQ2oil
dQ2inj
dQ3oil
dQ3inj
Q1inj (1 )
Q2inj (1 )
Q3inj (1 )
Q1inj , Q2inj , Q3inj
Figura 3.1: Mtodo grfico para o equal-slope.

A sua desvantagem o fato de no incorporar as demais restries do problema
de otimizao global, mas apenas a restrio de disponibilidade de gs. Neste captulo sero desenvolvidos mtodos eficazes para a soluo do problema com mltiplas
restries.
3.2 Ferramentas para Otimizao em Tempo Real

A seguir sero expostas as ferramentas proprietrias utilizadas para a aplicao
dos algoritmos desenvolvidos. Estas foram adotadas para utilizao no projeto por j
serem de posse da Petrobras (utilizadas em outros projetos para aplicaes diversas)
e no representarem custos adicionais.
Alm do mais, na Seo 3.2.3 ser dada uma introduo sobre o padro OPC,
utilizado como meio de comunicao entre os elementos do sistema de otimizao e
a plataforma de testes, descrita no Captulo 4.
3.2.1 MPA - Mdulo de Procedimentos Automatizados

O MPA (Mdulo de Procedimentos Automatizados) foi desenvolvido em parceria
com a Tecgraf (o Grupo de Tecnologia em Computao Grfica), um laboratrio do
25
Departamento de Informtica da PUC-Rio.

No princpio, o projeto do MPA visava uma ferramenta para a automao de
partidas de poos, sendo chamado de Mdulo de Partidas Automticas. Ento, foi
desenvolvida uma ferramenta grfica para a automatizao de tais procedimentos com
base em fluxogramas, sendo a lgica do programa descrita com blocos funcionais e
tomadas de deciso. Os blocos de funo so programados em Lua, uma linguagem
de script desenvolvida tambm na PUC-Rio.
O MPA possui uma arquitetura distribuda, no modelo cliente-servidor. O servidor de execuo efetivamente executa os fluxos e comunica-se com o processo via
OPC. A aplicao cliente uma interface de engenharia, utilizada para a configurao
da planta, projeto dos fluxos e acompanhamento da execuo, quando conectado ao
servidor de execuo. Tal arquitetura implementada em CORBA1 .
Dada a sua flexibilidade da aplicao e a fcil integrao com diferentes sistemas, por possuir interface OPC, o MPA passou a ser cogitado para utilizao em
diferentes projetos. No caso, foi escolhido para a automao dos procedimentos utilizados na otimizao da produo.
A Figura 3.2 mostra as etapas para a configurao do MPA. Em primeiro lugar, deve ser feita uma pr-configurao do sistema, que envolve a programao das
funes e a definio dos equipamentos utilizados na planta, com seus respectivos
atributos (variveis ou parmetros) e mtodos.
Figura 3.2: Processo de configurao do MPA.

Em seguida, deve ser feita a configurao da planta, baseada nos equipamentos definidos na pr-configurao. Nesse momento, as variveis so linkadas com os
respectivos pontos OPC. Ento, podem ser feitos os fluxos que sero executados, em
uma interface como a da Figura 3.3.
Uma vez realizadas as etapas anteriores, pode-se conectar ao servidor de execuo, que j deve estar rodando com a pr-configurao correta. Os fluxos so
enviados e podem ento ser gerenciados. Atravs da interface de engenharia, os
fluxos que esto carregados no servidor podem ser inicializados, parados e monitora1
Procurar referncia.
26
Figura 3.3: Configurao de fluxos no MPA.

dos (atravs de mensagens de acompanhamento).
3.2.2 Laplace
Como parte de um projeto para controle de plantas em refinarias, o Laplace
foi desenvolvido com o objetivo de tornar-se uma ferramenta para a aplicao de algoritmos de controle avanado e otimizao. Sua principal vantagem a de permitir
a implementao de algoritmos complexos em DLLs, podendo ser programadas em
linguagens como C, C++ ou Fortran.
O Laplace foi projetado de forma a permitir a execuo de mltiplos algoritmos
em paralelo, sendo todos processos diferentes e concorrentes. Dessa forma, a m execuo de um algoritmo em fase de testes no prejudica a execuo de um algoritmo
que est funcionando normalmente.
Sua interface com o processo se d via OPC DA, de forma a poder ser integrado com os demais elementos do sistema de otimizao e da plataforma de simulao, sendo facilmente conectado a processos reais, atravs de servidores OPC de
sistemas supervisrios, SDCDs e CLPs.
27
As DLLs de clculo devem ser implementadas contendo trs funes principais:

uma de inicializao, uma de finalizao e uma com o algoritmo que ser executado a
cada amostragem. Tambm deve ser importada a estrutura de dados correspondente
ao projeto do Laplace, que contm todas as informaes pertinentes.
Sua arquitetura bsica pode ser visualizada na Figura 3.4. Um servidor gerencia
as instncias dos algoritmos, podendo a execuo destes ser acompanhada atravs
da interface grfica do Laplace.
Figura 3.4: Arquitetura bsica do Laplace.

A sua interface grfica visualizada na Figura 3.5.
Figura 3.5: Interface grfica do Laplace.
28
3.2.3 OPC
OPC (OLE para controle de processos) um conjunto de especificaes padro
que define a comunicao entre equipamentos de diferentes fornecedores, de dados
de tempo-real de uma planta. O OPC funciona como uma ponte entre os programas de
aplicao e os hardwares e softwares para controle de processos. Os servidores OPC
coletam dados de dispositivos de comunicao de disponibilizam esses dados atravs
de uma interface padro, enquanto os clientes OPC conectam-se a esses servidores
para buscar as informaes coletadas nos dispositivos. Na Figura 3.6 podemos visualizar um exemplo do funcionamento da comunicao OPC, onde o servidor coleta
os dados do equipamento que opera junto ao processo e os disponibiliza a diversos
clientes OPC para operaes de leitura, escrita e atualizao.
Figura 3.6: Estrutura OPC.
Na plataforma desenvolvida, o padro OPC de fundamental importncia para

a comunicao de forma confivel, rpida e eficiente entre as diversas partes que a
compem. Atravs do servidor OPC, os demais componentes da plataforma podem
acessar os dados do proceso a partir de uma interface comum.
3.3 Otimizao Local

Conforme j mostrado, a taxa de produo tima em um poo implementada
quando a presso de fluxo no fundo minimizada. Pensando nisso, pode-se imaginar
um procedimento simples para minimizar a presso no fundo atravs de variaes
sucessivas na taxa de injeo de gs.
Fala-se em Otimizao Local por ser um mtodo aplicado individualmente em
cada poo, no dependendo do que est sendo feito nos demais. Mtodos de Otimizao Global consideram restries gerais do processo e calculam taxas de injeo
29
timas para cada poo, conforme ser descrito na Seo 3.4. Portanto, a Otimizao
Local s pode ser aplicada quando no existem restries no fornecimento de gs.
Um primeiro mtodo consiste em dar consecutivos degraus de tamanho fixo no
valor da taxa de injeo Qinj (passos de tamanho p), a cada vez lendo o valor da
presso Pwf e inferindo a sua tendncia de aumento ou diminuio. Baseando-se na
Tabela 3.1, tomada a deciso para o sentido do passo de Qinj . Caso a variao de
Pwf observada seja muito pequena, menor que uma tolerncia (Pwf < ), o valor que
Qinj mantido, pois considera-se que est atingida a regio de Pwf mnima (Pwf
0).
Caso
0
1
2
3
4
Qinj
Pwf
Qualquer kPwf k <
Qinj > 0 Pwf < 0
Qinj > 0 Pwf > 0
Qinj < 0 Pwf < 0
Qinj < 0 Pwf > 0
Deciso
No se altera Qinj
Qinj = Qinj + p (incrementa-se Qinj )
Qinj = Qinj p (decrementa-se Qinj )
Qinj = Qinj p (decrementa-se Qinj )
Qinj = Qinj + p (incrementa-se Qinj )
Tabela 3.1: Critrios para tomada de deciso no algoritmo de otimizao local.

A Figura 3.7 permite uma melhor compreenso dos casos apontados na Tabela
3.1.
Qinj
1
4
3
0
Pwf
Figura 3.7: Situaes do algoritmo de otimizao local com passo fixo.
Esse procedimento sistematizado a seguir, em pseudocdigo:
- Para todos os poos da configurao de plantas:
Inicializa variveis (passo, tolerncia)
L Qinj atual
L Pwf atual
Diminui Qinj
30
- Fazer para sempre:

Espera estabilizar
L Pwf
Calcula Delta_Qinj e Delta_Pwf
Verifica prxima ao (de acordo com a tabela)
Escreve novo Qinj
- Fim - Para sempre
- Fim - Para todos os poos
A implementao desse procedimento em forma de fluxograma pode ser visto
na Figura 3.8, que um screenshot da tela de configurao de fluxos.
Figura 3.8: Fluxograma de busca de mnima Pwf implementado no MPA.

Analisando e testando o mtodo apresentado, nota-se que ele apresenta a propriedade de sempre conduzir o poo para um ponto de operao na faixa de Pwf
mnima. No entanto, o seu funcionamento adequado depende da boa configurao
por parte do operador. Por exemplo, passos muito grandes podem nunca satisfazer
a condio kPwf k < (o critrio de parada), fazendo com que Qinj fique variando
31
em torno de seu valor timo. Por outro lado, se o critrio de parada for muito grande
(para garantir uma parada do procedimento), pode ser que este pare em um ponto
sub-timo.
Em vista dos possveis problemas que podem surgir no procedimento de passo
fixo, foi feita uma investigao no sentido de encontrar um procedimento mais eficiente,
capaz de encontrar o ponto de operao timo de forma mais precisa e mais eficiente,
atravs da aplicao de degraus de tamanho varivel em Qinj .
O mtodo de passos variveis consiste em constantemente serem calculadas
i
aproximaes quadrticas com base nas medies de Pwf . Trs pontos (Qiinj , Pwf
)
podem ser interpolados por um polinmio de segundo grau da forma Pwf = a0 +

a1 Qinj + a2 Q2inj . Os parmetros a0 , a1 e a2 so calculados resolvendo-se o sistema:
1 (Q1inj ) (Q1inj )2
a0
1
Pwf
1 (Q2 ) (Q2 )2 a1 = P 2
inj
inj
wf
3
2
3
3
Pwf
a2
1 (Qinj ) (Qinj )
(3.4)
1
2
3
Sendo os pontos (Q1inj , Pwf
), (Q2inj , Pwf
) e (Q3inj , Pwf
) os pontos utilizados para
a aproximao da curva.
Um bom passo em direo ao ponto de Pwf mnima pode ser calculado fazendo
dPwf /dQinj = 0, ou seja, Pwf mnima quando a sua derivada igual a zero. Generalizando o problema, pode-se especificar um slope (uma inclinao) para a curva,
baseando-se em objetivos econmicos, caso seja desejado um ponto de operao
ligeiramente esquerda do ponto de Pwf mnima.
Ou seja, atingir um ponto de inclinao , calcula-se dPwf /dQinj = . Derivando
o polinmio quadrtico, tem-se que dPwf /dQinj = a1 + 2a2 Qinj = . Portanto, um chute
razovel para o prximo valor de Qinj :
Qk+1
inj =
a1
2a2
(3.5)
Devido ao fato da curva real no ser exatamente quadrtica, o passo em direo

a
Qk+1
inj
deve ser ponderado por um fator . Ou seja, o passo p fica:
p=
32
Qk+1
inj
Qkinj
a1
Qkinj
2a2
(3.6)
Fazendo 0 < < 1, os passos sero mais conservadores, absorvendo problemas com o fato da curva no ser quadrtica e com possveis rudos de medio, que
podem afetar consideravelmente o formato da curva aproximada.
Portanto, dados trs pontos iniciais (obtidos atravs de um passo fixo, por exemplo), so feitas sucessivas aproximaes quadrticas e so dados passos em direo
ao ponto desejado (dPwf /dQinj = ). Os trs pontos utilizados para a aproximao
so os trs ltimos pontos visitados. A fim de conceder uma maior robustez ao procedimento, o passo p deve ser limitado por um valor mximo pmax . O procedimento deve
parar quando o passo calculado menor que um passo mnimo pmin . Em resumo, so
dados passos p tal que pmin 6 p 6 pmax , sendo que p = 0 se o passo calculado for
menor que pmin ou p = pmax se o passo calculado for maior que pmax .
A Figura 3.9 ilustra o funcionamento do algoritmo descrito, atravs de sucessivas aproximaes quadrticas at ser atingido o ponto timo de operao.
15
14
13
12
Pwf
11
10
9
8
7
6
5
Qinj
Figura 3.9: Sucessivas aproximaes quadrticas do algoritmo de passos variveis.
33
3.4 Otimizao Global

O problema de otimizao descrito na Seo 2.1 tem aqui uma soluo computacional baseada em ferramentas proprietrias. O Laplace foi escolhido como ferramenta para a execuo do algoritmo de otimizao global.
O algoritmo utilizado foi o de programao quadrtica sequencial (SQP - Sequential Quadratic Programming), por apresentar boas propriedades e resolver problemas de otimizao com funo objetivo e restries no lineares. Seu princpio de
funcionamento ser detalhado na subseo subsequente.
Foi utilizada uma implementao pronta do algoritmo de SQP. Ela foi desenvolvida na University of Maryland e chamada CFSQP, implementada em ANSI C.
Em linhas gerais, esse algoritmo recebe como parmetros ponteiros para funes de
avaliao da funo objetivo, das restries e de seus respectivos gradientes. Ele
executa um nmero limitado de iteraes e assim que este termina, os ponteiros para
o valor da funo objetivo e para o vetor de variveis de deciso podem ser lidos.
Para rodar no Laplace, preciso que o algoritmo seja compilado em uma DLL
contendo trs funes bsicas, conforme descrito em 3.2.2. Tais funes foram implementadas da seguinte forma:
Inicializao: As definies do projeto do Laplace so lidas e alocada a
memria necessria para a execuo do algoritmo;
Execuo: As variveis so lidas, o algoritmo executa e as sadas so escritas
nas variveis correspondentes;
Finalizao: A memria alocada na inicializao agora liberada.
Assim que a aplicao inicializada no Laplace, o mtodo de Inicializao
executado. Em seguida, o mtodo de Execuo roda a cada amostragem (o perodo
definido no projeto). A Finalizao roda quando a aplicao parada.
Portanto, a otimizao global roda periodicamente, constantemente realizando
a alocao de gs de injeo, de acordo com a disponibilidade de gs calculada pela
malha de controle de presso no manifold. Em geral, essa malha de controle razoavelmente rpida, devido ao volume equivalente do manifold no ser muito grande.
O perodo de amostragem costuma ser em torno de 1 segundo, fazendo com que a
34
amostragem da aplicao de otimizao global do Laplace tambm deva rodar com o

perodo de 1 segundo.
A DLL foi implementada em C++, devido a um padro de implementao utilizado no desenvolvimento das demais aplicaes do Laplace. O cdigo do CFSQP
compilou normalmente com o restante do cdigo.
A aplicao implementada considera os seguintes aspectos:
Apenas a distribuio de gs de um manifold otimizada, havendo apenas uma
disponibilidade de gs para o tratamento do algoritmo. Os dados do manifold
so representados em uma estrutura (struct) geral;
Exite um conjunto de poos para os quais deve ser alocado o gs disponvel.
Todos os seus dados esto representados em uma struct poco, que contm
todas as informaes sobre a sua WPC, sua curva IPR, seus limites operacionais
e se ele est habilitado para otimizao ou no;
O gs do manifold pode eventualmente possuir ligao com uma linha de exportao. Esta est representada na struct exportacao, que contm seus limites
operacionais e o pay-off do gs exportado.
Cada estrutura das supracitadas est associada a um objeto do Laplace. Na
criao do projeto, os objetos so criados conforme a configurao do campo. Durante
a execuo do algoritmo, este possui acesso s informaes do projeto, inclusive a
quantidade de cada tipo de objeto, a fim de poder dar a eles o tratamento adequado.
As funes cujos ponteiros so fornecidos como parmetros para o CFSQP
foram implementadas exatamente conforme a definio do problema na Seo 2.1,
com seus respectivos gradientes. Ou seja, dado um problema de otimizao:
P: Maximize
s.a.:
f (x)
(3.7)
g(x) 6 0
(3.8)
So implementadas as funes f (x), f (x), g(x) e g(x).

Ademais, o algoritmo implementado tambm leva em considerao o fato dos
poos estarem ou no habilitados para otimizao, o que pode permitir uma operao
forada por parte do operador. Quando um poo i no est habilitado, a sua taxa de
35
injeo Qiinj pode ser estabelecida pelo usurio ou por algum procedimento do MPA,
por exemplo. O restante do gs disponvel (Qdisp Qiinj ) distribudo para os demais
poos.
Essa constante redistribuio do gs disponvel garante uma flexibilidade na
aplicao do algoritmo. Motivos diversos podem levar os operadores da plataforma a
forar a operao de um conjunto de poos, fazendo com que o algoritmo otimize o
restante deles. No caso do MPA estar aplicando algum algoritmo local em algum poo
(otimizao local ou identificao de modelos, ver Seo 3.5), a aplicao no Laplace
garante a redistribuio tima do gs.
3.4.1 Programao Quadrtica Sequencial

O algoritmo de SQP (Sequential Quadratic Programming) muito eficiente para
resolver a maioria dos problemas de programao no linear com restries no lineares da forma:
Minimize f (x)
(3.9a)
Sujeito a: gi (x) 6 0
i = 1, . . . , p
(3.9b)
gi (x) = 0
i = p + 1, . . . , q
(3.9c)
O princpio do mtodo de SQP consiste em realizar aproximaes quadrticas

da funo objetivo (matriz Hessiana) e aproximaes lineares das restries (gradientes) em torno dos pontos de cada iterao. A cada aproximao resolvido um
problema simples de programao quadrtica a fim de retornar um bom passo em
direo soluo tima.
As restries so incorporadas funo objetivo atravs dos multiplicadores de
Lagrange . Se o multiplicador de Lagrange correspondente a x , que minimiza
f (x), o Lagrangiano L(.; ) possui a propriedade de que L(x ; ) = f (x) para todo
x factvel. Segundo [5], possvel utilizar uma formulao para o mtodo de SQP
que consiste em considerar a Hessiana do Lagrangiano, conforme (3.10), ao invs de
considerar somente a Hessiana da funo objetivo.
1
Minimize pT 2 L(x(k) ; (k) )p + f (x(k) )
2
(3.10)
36
O procedimento funciona iterativamente. Dados x(k) e (k) , o mtodo produz um

passo p(k) resolvendo (3.10). Ento, x(k+1) = x(k) + p(k) .
Essa formulao nos traz a vantagem de que o algoritmo tambm ir considerar a concavidade da aproximao quadrtica das restries ao retornar o passo p(k)
em direo ao prximo iterando. A partir do passo calculado, possvel resolver o
sistema de equaes lineares (3.11) (referente s condies de otimalidade [5], onde
g a matriz das restries) e obter o vetor , correspondente aos multiplicadores de
Lagrange (k+1) da prxima iterao:
2 L(x(k) ; (k) )p(k) + f (x(k) ) g(x(k) )T (k) = 0
(3.11)
As caractersticas apresentadas do mtodo de SQP representam apenas uma

introduo a essa poderosa ferramenta. Implementaes desse algoritmo levam em
conta heursticas que podem garantir convergncia e otimalidade global, sob certas
condies [11]. As funes do CFSQP, utilizado nesse projeto, so consideravelmente
complexas e possuem tais caractersticas. O cdigo robusto e foi originalmente
implementado em Fortran, sendo traduzido para ANSI C.
3.5 Identificao de Modelos

Para que possam ser obtidos os modelos das WPCs dos poos que so utilizados na formulao do problema de otimizao global, necessrio que sejam levantados dados dos poos. Conforme j discutido na Seo 2.2, os dados podem ser
obtidos a partir de modelos de simulao de regime permanente ou atravs de variaes nos pontos de operao de Qinj para o levantamento dos valores das variveis
em tais condies.
Como as medidas diretas da vazo de leo Qoil no so disponveis, so levantados modelos da relao Qinj Pwf para que a curva Qinj Qoil seja inferida a partir
do conhecimento da curva IPR.
Portanto, foi implementado no MPA um fluxograma que consiste num procedimento de aquisio de pontos (Qinj , Pwf ) para o posterior ajuste de curvas. Tal procedimento disparado quando constatada uma discrepncia entre o valor de Pwf
inferido pelo modelo atual e o valor de regime permanente observado em um poo.
37
Um fluxograma fica constantemente verificando se existe tal discrepncia.

Para a leitura do valor de Pwf , o MPA aguarda a estabilizao do processo. Para
tal, um procedimento de deteco de regime permanente foi implementado. A seguir,
sero detalhados tais procedimentos.
3.5.1 Deteco de Regime Permanente

Para observar os valores de regime permanente, foi criada essa funo no MPA,
implementada em forma de fluxograma. Este fluxo l periodicamente o valor da varivel e armazena em um vetor. Esse vetor funciona como uma janela deslizante, de
onde podem ser extradas informaes como a mdia mvel e a varincia mvel.
O critrio para que seja sinalizado o regime permanente de uma varivel consiste na varincia mvel atingir um valor menor que uma dada tolerncia. Tal tolerncia pode ser projetada de acordo com a dinmica do poo, fazendo com que o
regime permanente esteja de fato estabelecido quando a varincia dos valores da
janela deslizante for menor que a tolerncia, considerando a possvel presena de
rudo.
Para amenizar os efeitos do rudo nesta anlise, um outro critrio foi considerado: a varincia da varincia da janela deslizante. Cria-se uma outra janela deslizante
para serem armazenados os valores da varincia de Pwf e ento calculada a varincia dessa outra janela. Para um nvel de rudo constante, a varincia da varincia no
afetada.
i
Ou seja, dado um conjunto de pontos histricos de Pwf , representado por {Pwf
},
i
i
sendo sua varincia 2 ({Pwf
}) tambm armazenada em um conjunto {j2 ({Pwf
})},
i
i
o regime permanente atingido quando 2 ({Pwf
}) < tolvar e 2 ({(j2 ({Pwf
})}) <
tolvar_var .
Quando o regime permanente verificado, retornado o valor da mdia mvel
i
}.
de {Pwf
3.5.2 Verificao de Modelos

Este fluxo fica constantemente verificando a validade do modelo atual de cada
poo. Ele chama a funo que aguarda o regime permanente de Pwf , e quando este
verificado, o valor de Pwf confrontado com o modelo Pwf (Qinj ) existente. Caso o
38
mdulo da discrepncia seja superior a uma dada tolerncia, esse poo sinalizado
com um flag que indica que uma identificao necessria.
3.5.3 Aquisio de Pontos (Qinj , Pwf )

Caso um determinado poo esteja sinalizado para identificao, fica a cargo do
operador autorizar ou no a sua identificao, que um procedimento delicado que
tira o poo de seu ponto de operao normal (possivelmente prximo ao timo) e este
opera com perda de produo durante o perodo de identificao.
No entanto, o algoritmo de otimizao global do Laplace continua rodando, distribuindo o gs excedente entre os demais poos, reduzindo a perda de produo. Isso
se d devido ao fato do procedimento de identificao inicialmente desabilitar o poo
para otimizao global, fazendo com que o algoritmo o desconsidere no momento de
alocar automaticamente o gs disponvel.
i
Ento, criado um vetor para o armazenamento dos pontos (Qiinj , Pwf
). O valor
inicial de Qinj para a identificao obtido atravs de uma aproximao do ponto que
resulta em um valor de mnima Pwf , a partir do modelo antigo. Tal suposio razovel
se for considerado que a degenerao do modelo ocorre de forma lenta. Um mtodo
de Newton aplicado para que seja encontrado tal ponto.
A partir desse ponto, so dados passos fixos e negativos em Qinj , ou seja:
Qk+1
inj
= Qinj p, onde p o passo definido pelo operador. Caso o nmero de degraus
a serem aplicados extrapole os limites operacionais do poo, p recalculado antes

de ser dado incio ao procedimento. O nmero de pontos a serem obtidos deve ser
definido de antemo, de acordo com o projeto para a plataforma especfica, dependendo da flexibilidade para a aplicao de tal teste.
i
Uma vez preenchido o vetor {(Qiinj , Pwf
)}, solicitado um ajuste de curvas para
o algoritmo do Laplace (detalhado na seo subsequente).
3.6 Ajuste de Curvas

Assim como o algoritmo de otimizao global, o ajuste de curvas uma aplicao que roda no Laplace, implementado em forma de DLL e possui as funes
bsicas de interface com o executor do Laplace: inicializao, execuo e finalizao.
39
Tambm foi utilizado o pacote CFSQP para a implementao do ajuste de curvas, generalizando a soluo para todos os tipos de curvas. As formulaes propostas
na Seo 2.3 consideram os casos particulares de cada tipo de modelo, em alguns
casos sendo aplicveis algoritmos de programao quadrtica. No entanto, como alguns deles so mais complexos e no possuem todos os coeficientes lineares, estes
so resolvidos por programao quadrtica sequencial. A fim de simplificar a implementao, todos foram implementados com SQP.
A funo objetivo a seguinte:
Minimize
m
X
f (Qinj ) y j
j=1
2
(3.12)
Onde {y j } corresponde aos valores de Qoil ou Pwf , conforme a situao. E

f (Qinj ) a funo correspondente a ser ajustada, sendo esta avaliada conforme o
tipo da curva especificada para o poo.
j
No caso do conjunto de pontos {(Qjinj , Pwf
)} obtidos atravs do procedimento
do MPA, ajustado um modelo de curva Pwf (Qinj ).

O modelo escolhido para a obteno da relao Pwf Qinj , a partir de um conjunto de dados experimentais obtidos ao redor da regio de Pwf mnima, o modelo
da equao (3.13), que possui as boas propriedades j discutidas: representativo e
apresenta boa extrapolao.
Pwf (Qinj ) = 1 e2 (Qinj ) + 3 + 4 Qinj
(3.13)
Essa representao considera um termo exponencial composto com um termo

linear. A parcela exponencial representa a diminuio da presso de fundo com o
aumento da taxa de injeo Qinj , enquanto a parcela linear implica no aumento da
presso de fundo para valores de Qinj superiores a Qinj .
Os coeficientes 1 , 2 , 3 e 4 so obtidos atravs de um ajuste de curvas. No entanto, o expoente m deve ser fornecido previamente, devido dificuldade de obt-lo no
procedimento de ajuste (possui alta influncia no comportamento da curva, tornando
o gradiente da funo objetivo bastante agressivo).
Uma bateria de testes empricos determinou que os valores de m que apresen-
40
tam melhores extrapolaes da curva de presso de fundo so uma funo da mass

quality do fluido. A mass quality a razo entre a vazo mssica de gs e a vazo
mssica total do fluido, ou seja:
Qgas gas
Qgas gas + Qliq liq
(1 BSW )RGOgas
x =
RGOgas + oil + BSW (wat oil RGOgas )
x =
(3.14a)
(3.14b)
Ficou definido que m = f (x), em funo da anlise feita por Plucnio [15] que
mostra os valores de m que melhor extrapolam a curva em funo de x.
1
2
Para o ajuste, fornecido um conjunto de n pontos S = {(Q1inj , Pwf
), (Q2inj , Pwf
)...
n
(Qninj , Pwf
)}, alm da constante m, obtida a partir do conhecimento do fluido do poo.
A partir desses dados, calcula-se o vetor = [1 2 3 4 ]T que minimiza o somatrio

dos erros quadrticos dos pontos em relao curva, conforme a funo objetivo:
Minimize
n
X
j 2
[Pwf (Qjinj ) Pwf
] =
j=1
n
X
j 2
[1 e2 (Qinj ) + 3 + 4 Qjinj Pwf
]
(3.15)
j=1
De acordo com a definio da funo Pwf Qinj , ela s faz sentido se 1 , 2 , 4

0, o que garante sua convexidade em todo o intervalo de aplicao. Portanto, tais
restries so aplicadas.
Alm dessas restries, devemos utilizar o conhecimento do valor aproximado
da presso esttica do reservatrio. Supe-se que a presso do reservatrio nominal
conhecida Pest.N Pest.N . Pode-se utilizar esse conhecimento para quando Qi nj = 0
implica em vazo produzida nula, que se estabelece quando a presso no fundo
igual presso esttica do reservatrio. Fazendo Qinj = 0 e Pwf = Pest , tem-se
Pest = 1 + 3 . Substituindo na relao Pest.N (1 ) Pest Pest.N (1 ), obtm-se
mais duas restries de desigualdade para o algoritmo.
As ordens de grandeza das variveis envolvidas podem variar bastante, dependendo inclusive das unidades de vazo e presso adotadas. Isso reflete diretamente
na qualidade dos parmetros do algoritmo de otimizao, como passos, tolerncias,
etc. Para minimizar esse efeito, trabalha-se com os dados normalizados, fazendo com
que os dados de cada caso apresentem as mesmas ordens de grandeza, utilizando
assim o mesmo ajuste dos parmetros do algoritmo. A normalizao feita em torno
41
do ponto mdio de Qinj e de Pwf . A identificao dos parmetros feita em cima dos
dados normalizados Qinj e Pwf

, dados pelas seguintes relaes:
Qinj = q Qinj
(3.16)
Pwf
= p Pwf
(3.17)
Para que a normalizao seja feita com relao aos valores mdios de Qinj e
de Pwf , estes devem ser divididos pelas suas respectivas mdias, ou seja:
q = (Qinj )1 = Pn
j=1
p = (Pwf )1 = Pn
Qjinj
j
j=1 Pwf
(3.18)
(3.19)
Dessa forma, feito o ajuste dos dados normalizados, obtendo os coeficientes

1 , 2 , 3 e 4 . Para obter = [1 2 3 4 ]T , feito o seguinte desenvolvimento:
Pwf
= 1 e2 (Qinj ) + 3 + 4 Qinj
m
p Pwf = 1 e2 (q Qinj ) + 3 + 4 q Qinj

Pwf =
1
p
m (Q
m
inj )
e2 q
3
p
+ 4 pq Qinj
(3.20a)
(3.20b)
(3.20c)
Por comparao:
1 = 1 /p
(3.21a)
2 = 2 qm
(3.21b)
3 = 3 /p
(3.21c)
4 = 4 q /p
(3.21d)
Esse desenvolvimento representa exatamente o algoritmo implementado em

C++ em forma de DLL para a aplicao do Laplace. Essa aplicao funciona como
um servio de ajuste de curvas. Ou seja, o Laplace executa a funo principal da
aplicao periodicamente, a cada vez verificando a solicitao de algum ajuste de
curvas.
Caso a aplicao leia alguma solicitao na entrada, esta verifica o tipo da curva
para o poo, executa o ajuste da curva correspondente para os pontos fornecidos e
escreve os coeficientes da curva nas tags dos respectivos poos. Caso os pontos
tenham sido fornecidos pelo MPA, a curva a ser ajustada ser uma do tipo Qinj Pwf .
42
3.7 Concluso
Todas as ferramentas descritas nesse captulo devem cooperar para garantir o
bom funcionamento da plataforma de otimizao. O algoritmo de otimizao global
(aplicao GLOPTIM no Laplace) deve ficar constantemente rodando, por garantir o
balano de massa no manifold. Ou seja, a vazo de gs disponvel deve ser totalmente
direcionada para os poos e a linha de exportao, conforme a Figura 3.10.
GLOPTIM
Qdisp
Otimizao
Global
...
Q1inj
Q2inj
Qninj
Qexp
Figura 3.10: Aplicao de otimizao global GLOPTIM.

A aplicao de ajuste de curvas tambm deve ficar constantemente rodando,
aguardando alguma solicitao para ajustar alguma curva. Quando identifica que algum procedimento ou operador escreveu os pontos nas tags correspondentes e informou de qual poo se trata, na prxima amostragem a aplicao realiza o ajuste de
curvas e escreve os novos coeficientes nas tags.
O MPA deve sempre desabilitar a otimizao de um poo quando for realizar
algum procedimento sobre ele. Uma vez desabilitado, garante-se que o Laplace no
ir sobrescrever a vazo Qinj definida pelo MPA.
O diagrama da Figura 3.11 esquematiza a cooperao entre os algoritmos e
procedimentos, indicando as informaes bsicas trocadas entre eles, todas via servidor OPC.
Figura 3.11: Cooperao entre os elementos do sistema.
43
44
Captulo
Plataforma de Testes
Para situar as ferramentas de otimizao desenvolvidas, foi criada uma plataforma de simulao capaz de representar os fenmenos a serem observados por tais
ferramentas, tornando possvel uma avaliao do seu funcionamento e servindo como
uma forma de validao dos algoritmos e procedimentos propostos.
Foi feita uma modelagem do gas-lift manifold (GLM) no Matlab-Simulink, com
os controles locais aplicados e o funcionamento bsico dos poos modelado. Tambm
houve um esforo no sentido de integrar o simulado OLGA plataforma de testes. Tais
elementos so detalhados nas sees a seguir.
4.1 GLM no Simulink

O gs disponvel para alocao no algoritmo de otimizao global uma varivel obtida por uma malha externa que calcula a vazo de gs necessria para estabilizar o manifold. O manifold de gs, por no possuir um volume total muito grande,
pode ser modelado como um ponto nico de presso, que proporcional integral da
diferena entre o gs que entra (vindo do compressor) e o gs que sai (para os poos
e para a exportao). Conforme as equaes:
1
(Qcomp Qdisp ) = kp Pman
s
1
Qdisp = kp Pman + Qcomp
s
(4.1a)
(4.1b)
4. Plataforma de Testes
45
A vazo do gs que sai do manifold a vazo disponvel Qdisp considerada

pelo algoritmo de otimizao global. Pela equao acima possvel visualizar que a
vazo Qdisp igual vazo vinda do banco de compressores quando a presso no
manifold Pman est estabilizada. Uma ao de controle simples, do tipo PI, capaz de
estabilizar o manifold. No entanto, a vazo de gs comprimido pode vir a ser medida,
possibilitando o emprego de uma ao feed-foward na estrutura de controle, aplicada
conforme a Figura 4.1, onde Qe a perturbao da malha, representando a vazo
Qcomp e outras possveis perturbaes.
DQe
Controlador
FF(s)
C(s)
+
+
Modelo do
processo
-qs
e
(svs+1)
-kp
s
DP
Figura 4.1: Controle do manifold com ao feed-foward

Neste modelo, tambm est representada a dinmica das vlvulas, que podem
demorar a implementar a vazo calculada. o atraso de transporte e v uma
dinmica associada.
A vazo calculada Qdisp a entrada de um bloco que representa o algoritmo de
otimizao global GLOPTIM, rodando no laplace. A interface feita via OPC, utilizando
a toolbox para OPC do Matlab. A sada desse bloco um vetor contendo as taxas de
injeo para cada poo e a vazo de exportao de gs, conforme representado na
Figura 4.2.
As vazes dos poos so entradas de blocos que representam de forma simplificada o funcionamento de um poo, que retorna o valor de Pwf lido. Os detalhes do
funcionamento desse bloco sero expostos mais adiante. A presso de fundo Pwf de
cada poo escrita no servidor OPC, para a leitura do MPA, que possui os procedimentos de identificao e verificao dos poos.
Note que o valor de Qinj de cada poo pode ser estabelecido tanto pela otimizao global quanto pelo MPA, caso este o tenha desabilitado para otimizao para
46
Figura 4.2: Bloco de otimizao no Matlab.

a realizao de testes, fazendo com que o Laplace realize um bypass dos valores de
Qinj dos poos desabilitados.
4.1.1 Modelo Simplificado de um Poo

A fim de simular a relao Qinj Pwf no modelo do Simulink, foi desenvolvido um
bloco que implementa apenas essa dinmica e incorpora a relao esttica da curva
Pwf atravs de um modelo modificado de Hammerstein1 . O modelo consiste numa
curva esttica composta por uma dinmica de ganho unitrio, conforme a Figura 4.3.
Qinj
Qinj Pwf
prp
wf
H(z)
Pwf
Figura 4.3: Modelo modificado de Hammerstein

O modelo difere da representao clssica de Hammerstein pelo fato da entrada
influenciar diretamente a dinmica. Isso se d devido ao fato da dinmica do poo
variar conforme o a taxa de injeo Qinj . Conforme j discutido, o efeito do atrito no
tubo de produo acentua-se medida em que aumenta a vazo do fluido. Esse efeito
torna-se visvel com a diminuio da oscilao em Pwf , refletindo tambm na dinmica
da vazo de lquido Qliq .
Portanto, foi estipulado que a dinmica unitria do modelo da Figura 4.3 seria
modificada conforme o valor de Qinj . Supondo que a dinmica tenha sido identificada
T
para um conjunto de pontos de operao (Qham
inj ) , cada valor desse vetor est as-
sociado a uma dinmica em um conjunto de dinmicas (Hham (z))T . A dinmica para

1
Procurar referncia
47
qualquer ponto de operao Qinj dada pela interpolao linear entre as dinmicas
correspondentes.
k
ham k+1
Ou seja, para Qinj situado no intervalo [(Qham
], a dinmica H(z)
inj ) , (Qinj )
ser dada por:
H(z) = (1 )Hham (z)k + Hham (z)k+1
(4.2a)
k
Qinj (Qham
inj )
k+1 (Qham )k
(Qham
inj
inj )
(4.2b)
Este modelo representa bem o comportamento de um poo em sua faixa operacional, por incorporar a curva esttica Qinj Pwf e por variar a sua dinmica de
acordo com o ponto de operao. Com a finalidade com que apresentado, representar o comportamento bsico de um poo para a realizao de testes de otimizao, o
modelo cumpre com a proposta.
O bloco apresentado foi implementado em forma de S-Function no Simulink.
4.2 OLGA-OPC
Desejava-se poder incluir o simulador OLGA na plataforma de testes, como
forma de se ter um elemento mais representativo incorporado ao conjunto apresentado. O OLGA um simulador de escoamento multifsico, neste projeto utilizado para
a modelagem de poos produtores.
Para tal, foi especificada uma ferramenta que fizesse transao dos dados da
simulao para um servidor OPC e vice-versa. A simulao feita atravs do servidor
de simulao do OLGA, que possui uma interface TCP/IP. Portanto, a aplicao consiste em um cliente TCP/IP para comunicao com o OLGA e um cliente OPC para
comunicao com o servidor OPC da simulao. Sua arquitetura bsica representada na Figura 4.4.
Para o estabelecimento dos enlaces entre as variveis da simulao e os dados
do servidor OPC, foi projetada uma interface grfica intuitiva, capaz de ler o arquivo
de simulao do OLGA, interpretar as entradas e sadas, organizar as informaes de
forma coerente e permitir a associao com as tags do servidor OPC.
Tal interface visualizada na Figura 4.5. Note que a navegao entre os dados
48
Figura 4.4: Arquitetura bsica do Linker OLGA-OPC

do OLGA e a configurao so bastante intuitivas.
Figura 4.5: Interface grfica do Linker OLGA-OPC

Tambm foi implementada uma forma de salvar as configuraes feitas no Linker,
49
em forma de arquivos XML, que podem garantir uma futura interoperabilidade desse
sistema. Planeja-se integrar mesma ferramenta outros simuladores, como o HYSYS
(simulador de processos) e algum simulador de reservatrio, fazendo com que todo o
processo de gas-lift possa ser modelado e considerado na simulao.
O Linker permite a execuo da simulao em tempo real, ou seja, a simulao
visualizada atravs do servidor OPC como se houvesse um poo real operando
por trs de um supervisrio. O potencial de uma ferramenta como essas bastante
grande, dadas todas as suas possveis aplicaes: testes de algoritmos de otimizao local e global, integrao com algoritmos de controle avanado implementados
em ferramentas proprietrias como o Laplace, integrao com supervisrios via OPC,
permitindo o treinamento de operadores em situaes simuladas, etc.
50
Captulo
Estudo de Casos
Este captulo exemplifica a aplicao das ferramentas de otimizao desenvolvidas, atravs da utilizao da plataforma de simulao descrita no captulo anterior.
Tambm feita uma anlise dos efeitos da aplicao de mltiplas restries no algoritmo de otimizao global.
5.1 Otimizao Local no OLGA

Foram feitos testes do procedimento do MPA de otimizao local (busca de
mnima Pwf ) em um poo modelado no OLGA, utilizando o Linker OLGA-OPC como
ferramenta para integrar o MPA com o modelo simulado.
O controle local da vazo de injeo Qinj realizado pelo CLP eZAP-900,
atravs de seu servidor OPC. Tal aplicao demonstra a facilidade de integrao dos
diferentes mdulos da plataforma. Os set-points de Qinj so fornecidos pelo MPA e o
CLP implementa a abertura da vlvula no OLGA.
Os parmetros de configurao (tolerncias) foram ajustados de acordo com
as ordens de grandeza das variveis envolvidas (Qinj e Pwf ). O servidor OPC foi
configurado para comportar as variveis necessrias e o MPA, o eZAP-900 e o Linker
OLGA-OPC foram configurados de acordo.
A Figura 5.1 um grfico da evoluo da presso de fundo Pwf do poo com
a aplicao do procedimento do MPA, juntamente com a injeo de gs Qinj . Notase que a presso cai at um patamar onde vazes de injeo maiores no so mais
realizveis, pois a vlvula de injeo j est saturada em sua abertura mxima.
5. Estudo de Casos
51
Figura 5.1: Otimizao local em um poo modelado no OLGA: Qinj e Pwf .

Nesse caso, o procedimento de otimizao local conseguiu levar o poo a um
patamar sub-timo, devido a restries do processo. Ou seja, o poo no conseguiria
operar de forma tima com o dimensionamento atual da planta. Isso caracterizaria
uma restrio no fornecimento de gs, no contemplada para a otimizao local.
A Figura 5.2 representa a evoluo da vazo de leo com a aplicao do procedimento. A produo atinge o seu nvel mximo quando a vlvula satura, conforme
j discutido, em um patamar inferior ao potencial do poo.
Esse procedimento de otimizao local implementado no MPA funciona como
uma forma de operar o poo em torno de sua zona de produo tima. Restries de
fornecimento de gs e separao do fluido no so consideradas nesse caso. Quando
for considerado um conjunto de poos, onde tais restries ganham importncia, o
algoritmo de otimizao global deve ser aplicado.
5.2 Otimizao Global no Matlab

Foi realizado um ensaio a fim de validar o algoritmo global de otimizao e os
procedimentos de identificao e validao do MPA. Neste ensaio, foi considerado
um caso onde o sistema estava operando normalmente quando o MPA acusou uma
discrepncia entre o modelo e o comportamento real de um poo.
5. Estudo de Casos
52
Figura 5.2: Otimizao local em um poo modelado no OLGA: Qinj e Qoil .

Nesse caso simulado, a discrepncia foi forada atravs da mudana de um
coeficiente na estrutura de dados do otimizador global. Na Figura 5.3 possvel visualizar o momento em que o coeficiente modificado e o sistema passa a operar de
forma sub-tima.
6790
Qoil total (m /d)
6785
6780
6775
6770
6765
6
9
t(h)
10
11
12
Figura 5.3: Queda da produo com um modelo errado.

O operador, ao observar a sinalizao de tal discrepncia, autoriza o procedimento de identificao. Ento, o MPA faz a coleta dos pontos de forma automtica
5. Estudo de Casos
53
e aciona o servio de ajuste de curvas que est rodando no Laplace, que executa o
ajuste e escreve o modelo atualizado nas respectivas tags.
A distribuio percentual de gs entre os poos e a linha de exportao no
perodo da identificao visualizada na Figura 5.4.
14
12
% gas
10
2
10
12
14
16
18
20
t(h)
22
24
26
28
30
Figura 5.4: Distribuio de gs entre os poos.

O sistema ento passa a operar de forma otimizada, com o modelo corrigido
e a produo total superior . Durante o procedimento de identificao, o Laplace
redistribua o excedente de gs entre os demais poos e a linha de exportao de
gs (o que pode ser visto na Figura 5.4), amenizando a perda de produo durante o
perodo.
A produo total com o modelo incorreto de aproximadamente 6765m3 /dia,
enquanto o sistema corretamente otimizado produz aproximadamente 6792m3 /dia,
representando um ganho de produo de 27m3 /dia.
Tal ensaio comprova o potencial do sistema de otimizao global, defendendo
a utilidade da identificao de um poo e os ganhos econmicos com o conhecimento
dos modelos.
5.3 Ensaios com restries

Com a finalidade de avaliar o efeito das restries na formulao do problema de
otimizao de gas-lift, foi feita uma bateria de testes a partir de um cenrio envolvendo
5. Estudo de Casos
54
oito poos, com diferentes caractersticas de BSW e RGO.

Para a anlise dos diferentes cenrios, so utilizados grficos que representam
tabelas de alocao. Tais tabelas fornecem a informao da quantidade de gs alocada para cada poo, em funo da disponibilidade Qdisp . A tabela era utilizada no
projeto antes da otimizao ser feita em tempo real (a cada amostragem).
A tabela de alocao para o cenrio original representada na Figura 5.5, onde,
alm da restrio de gs, so consideradas restries de injeo mxima e mnima
em cada poo. Nota-se que, nesse caso, esto sendo aplicadas restries de desigualdade, pois a partir do momento em que cada poo est operando em seu ponto
timo, o excedente de gs descartado (em um flare, por exemplo).
Allocation Table
400
350
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Gas Distribution
300
250
200
150
100
800
1000
1200
1400
1600
1800
2000
Gas Disponibility
2200
2400
2600
2800
3000
Figura 5.5: Tabela de alocao para o cenrio de 8 poos.
Um prximo passo foi avaliar o comportamento do sistema no caso de haverem

restries de separao. Ou seja, o somatrio das vazes de cada fase (leo, gua e
max
max
gs) est limitado a um valor mximo (Qmax
oil , Qwat e Qgas , respectivamente). A Figura
5.6 um caso em que, a partir dum dado momento, a restrio de separao de gua
torna-se ativa, fazendo com que o sistema calcule novos pontos timos de operao
sem violar tal restrio. Nota-se que um dos poos mais prejudicado com a nova
condio. Isto se d porque ele possui o maior BSW do conjunto de poos, sendo mais
economicamente vivel priorizar os demais poos, que possuem uma razo leo/gua
maior.
5. Estudo de Casos
55
Allocation Table
400
350
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Restrio
Gas Distribution
300
250
200
150
100
800
1000
1200
1400
1600
1800
2000
Gas Disponibility
2200
2400
2600
2800
3000
Figura 5.6: Tabela de alocao com restrio de separao de gua.
De forma semelhante restrio de separao de gua, na Figura 5.7 aplicada uma restrio de separao de leo no sistema. Nesse caso, o trabalho do algoritmo resume-se a encontrar um ponto factvel de operao, ou seja, alterar a poltica
de distribuio de gs de forma a limitar a produo total de leo. Esta situao no
observada na prtica, visto que nunca estabelecido um limite para a vazo de leo,
tendo essa restrio sido removida do algoritmo definitivo.
Para generalizar o algoritmo, considerando a realidade da plataforma, incluiu-se
uma linha de exportao de gs no modelo. O gs comprimido para injeo tambm
pode vir a ser exportado, caso haja excesso ou seja mais econmico vend-lo ao
invs de utiliz-lo todo para injeo nos poos. A Figura 5.8 mostra um caso onde
o excedente de gs exportado. Foi considerado um preo baixo para a venda do
gs, fazendo com que ele comece a ser exportado somente quando todos os poos j
atingiram seus pontos de operao timos.
Repetindo o mesmo ensaio, mas aumentando o preo do gs para exportao,
nota-se que a linha de exportao passa a ganhar prioridade com relao aos poos
num determinado momento, conforme pode ser observado na Figura 5.9. O gs
exportado antes que os poos atinjam seus pontos timos de operao. Assim que
atingido o limite imposto para a exportao, o gs volta a ser distribudo entre os
poos.
5. Estudo de Casos
56
Allocation Table
400
350
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Restrio
Gas Distribution
300
250
200
150
100
800
1000
1200
1400
1600
1800
2000
Gas Disponibility
2200
2400
2600
2800
3000
Figura 5.7: Tabela de alocao com restrio de separao de leo.
Allocation Table
500
450
400
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Exportation
Exportao
350
Gas Distribution
300
250
200
150
100
50
1000
1500
2000
2500
3000
3500
Gas Disponibility
Figura 5.8: Tabela de alocao considerando exportao de gs a um baixo preo.
A Figura 5.10 mostra um caso onde h restrio de separao de gua e exportao de gs. Alm disso, agora tambm est sendo considerado o custo de compresso de gs, fazendo com que os pontos timos para os poos correspondam a
taxas de injeo de gs menores.
5. Estudo de Casos
57
Allocation Table
500
450
400
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Exportation
Exportao
350
Gas Distribution
300
250
200
150
100
50
1000
1500
2000
2500
3000
3500
Gas Disponibility
Figura 5.9: Tabela de alocao considerando exportao de gs a um alto preo.
Allocation Table
400
350
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Exportation
300
Gas Distribution
250
200
Exportao
150
Restrio
100
50
1000
1500
2000
Gas Disponibility
2500
3000
Figura 5.10: Alocao com restrio de separao de gua e exportao de gs.
Para avaliar a possibilidade de considerar um balano de massa no modelo,

aplicou-se a restrio de igualdade para a disponibilidade de gs. Ou seja, o somatrio
do gs injetado nos poos mais o gs exportado deve ser exatamente igual ao gs
disponvel. A Figura 5.11 mostra o que acontece quando h um excesso de gs e
5. Estudo de Casos
58
esse deve ser distribudo aos poos, sendo eles forados a operarem em pontos subtimos.
Allocation Table
400
350
300
Well 1
Well 2
Well 3
Well 4
Well 5
Well 6
Well 7
Well 8
Exportation
Exportao
Gas Distribution
250
Excesso
de gs
200
150
Restrio
100
50
1000
1500
2000
Gas Disponibility
2500
3000
Figura 5.11: Restries de igualdade para a disponibilidade de gs.
Talvez tal considerao no se aplique na realidade, pois caso haja tamanho

excesso de gs, que nem a linha de exportao seja capaz de dar-lhe vazo, o gs
excedente queimado no flare, atravs de um controle de presso de segurana.
Alm disso, os compressores so dimensionados para suprir uma vazo adequada, e
tambm so controlados de forma a no comprimirem gs em excesso.
59
Captulo
Concluses e Perspectivas
Este captulo traz uma sntese das atividades realizadas, destacando a importncia e a aplicao de cada resultado obtido. Alm disso, ressalta alguns aspectos que podem ser melhorados ou incrementados nesse trabalho. Algumas propostas
para possveis trabalhos futuros na rea so expostas.
6.1 Interpretao dos Resultados Obtidos

Foi desenvolvida uma plataforma de testes bastante representativa sob a perspectiva dos procedimentos e algoritmos de otimizao desenvolvidos. Tal plataforma
possui boa conectividade, uma vez que possui interface OPC, que vem se tornando
um padro bem aceito na indstria de processos.
As aplicaes do Laplace e do MPA implementadas como resultado desse trabalho so prottipos de um sistema completamente automatizado de otimizao para
plataformas que operam por gas-lift contnuo. Suas futuras aplicaes em plataformas
reais iro requerer adaptaes nas formulaes dos algoritmos e procedimentos, uma
vez que cada situao poder demandar solues bastante especficas.
No entanto, tal prottipo serve como piloto dentro do projeto de automao e
otimizao nas plataformas, ajudando a quebrar o paradigma existente com relao
automatizao de processos produtores.
Os ganhos econmicos puderam ser evidenciados e quantificados para um caso
simulado particular, servindo como prova de conceito e validando o sistema desenvolvido. Uma vez provado o conceito, a cultura de otimizao pode vir a crescer dentro
6. Concluses e Perspectivas
60
do ramo de explorao e produo.
6.2 Perspectivas e Trabalhos Futuros

Conforme j mencionado, este trabalho serviu como piloto no que diz respeito
otimizao automtica em tempo real da produo. Futuramente, espera-se ver novas
verses desses algoritmos operando de fato em plataformas, integradas aos sistemas
j existentes de superviso e controle.
O procedimento de otimizao local do MPA, que faz a busca pelo ponto timo
de operao (mnima Pwf ), est em lenta fase de implantao. Primeiramente,
necessrio validar um algoritmo local em um poo real, para que gradualmente possa
ser implantado o algoritmo global. Isso se d porque deve-se ir quebrando lentamente
o ceticismo existente contra a completa automao desse tipo de processo.
Como o algoritmo de otimizao global dependente de modelos para a realizao dos clculos para a alocao de gs, nesse trabalho a abordagem utilizada
a da identificao dos modelos atravs de procedimentos que tiram o poo de seu
ponto de operao, o que um tanto agressivo e faz com que ele opere com perda
de produo por um tempo. Isso bastante difcil de se conseguir colocar na prtica,
visto que as plataformas trabalham com metas de produo e o gerente da plataforma
dificilmente autorizaria tais perdas, mesmo que possam gerar bons resultados futuros.
Para contornar esse problema, espera-se que em breve todos os modelos dos
poos possam ser gerados via simulao, atravs da integrao do simulador Marlim
ao restante do sistema. J est sendo realizado um trabalho no sentido de estabelecer
comunicao com o Marlim via OPC. Ou seja, alimentando o simulador com os testes
de produo peridicos programados, pode-se garantir uma boa representatividade
dos modelos, resultando num bom funcionamento do algoritmo global de alocao de
gs de elevao.
Outro ponto crtico seria o fato desse algoritmo sobrescrever alguns controles
j existentes nas plataformas. Por exemplo, o controle da presso no manifold feito
atravs do estrangulamento da linha de exportao. No caso, seria o algoritmo que
decidiria qual vazo seria limitada no caso de uma restrio de gs, possivelmente a
vazo da prpria linha de exportao, dependendo da faixa de operao e dos ganhos
econmicos utilizados para alimentar o algoritmo.
6. Concluses e Perspectivas
61
Espera-se que as ferramentas utilizadas evoluam continuamente. Existe um

projeto para a criao de uma nova verso do Laplace, aumentando a sua flexibilidade
e torando o processo de configurao mais simples. Alm disso, ser criado um editor
de telas para os algoritmos desenvolvidos, facilitando a interao homem-mquina.
Tambm desejado que todas as novas ferramentas passem a implementar
a nova especificao da OPC Foundation: OPC UA (Unified Architecture). Tal especificao torna o padro OPC muito mais interopervel, por ser baseado em uma
arquitetura orientada a servios (SOA), semelhante aos Web Services. As novas implementaes no sero mais dependentes do sistema operacional Windows, uma
vez que o OPC atual implementado sobre a DCOM (middleware da Microsoft).
62
Referncias
[1] ECONOMIDES, M.; HILL, A.; EHLIG-ECONOMIDES, C. Petroleum Production

Systems. [S.l.]: Prentice Hall, 1993.
[2] LEMETAYER, P.; MIRET, P. M., Tool of the 90s to Optimize Gas-Lift Efficiency
in the Gonelle Field, Gabon. Offshore Europe Conference, Aberden, 1991.
[3] TANENBAUM, A. S; Redes de Computadores. Editora Campus, 1997.
[4] THOMAS, J. Fundamentos de Engenharia de Petrleo. [S.l.]: Editora Intercincia, 2001.
[5] GOCKENBACH, M. S., Introduction to Sequential Quadratic Programming.
[6] NAKASHIMA, P. H. R., Otimizao de processos de produo de petrleo via
injeo contnua de gs, Exame de Qualificao de Doutorado, Programa de
Ps-Graduao em Engenharia Eltrica, UFSC, 2004.
[7] ALARCN, G. A.; TORRES, C. F.; GMEZ, L. E., Global optimization of gas
allocation to a group of wells in artificial lift using nonlinear constrained programming. ASME Journal of Energy Resources Technology. December, 2002.
[8] BERTSEKAS, D. P., Nonlinear Programming. Athena Scientific, 1995.
[9] CAMPONOGARA, E.; DE CONTO, A. M., Lift-gas allocation under precedence
constraints: piecewise-linear formulation and K-covers. In Proc. 44th IEEE
Conference on Decision and Control, Seville, Spain, 2005.
[10] LIANG, Y. D., Introduction to Java Programming, 1999. 2nd edition.
[11] NOCEDAL, J.; WRIGHT, S. J., Numerical Optimization. Springer Verlag, 1999.
Referncias
63
[12] CAMPONOGARA, E.; NAKASHIMA, P., Applying dynamic programming to a

gas-lift optimization problem. Congresso Brasileiro de Pesquisa e Desenvolvimento em Petrleo e Gs, Rio de Janeiro, Brasil, 2003.
[13] WOLSEY, L. A., Integer Programming. John Wiley & Sons, 1998.
[14] Scandpower Petroleum Technology - OLGA - http://www.olgaworld.com
[15] CAMPONOGARA, E.; PLUCENIO, A.; MORENO, U. F., Projeto: Desenvolvimento de Algoritmos de Controle para Mtodos de Elevao Artificial. Relatrio da Fase II.

Anderson C. Faller Prh34 Ufsc Das G

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Anderson C. Faller Prh34 Ufsc Das G

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDADE FEDERAL DE SANTA CATARINA

CURSO DE ENGENHARIA DE CONTROLE E AUTOMAO INDUSTRIAL

Desenvolvimento de uma Plataforma

Monografia submetida Universidade Federal de Santa Catarina

Anderson Carlos Faller

Florianpolis, Abril de 2009

Desenvolvimento de uma Plataforma

Monografia submetida Universidade Federal de Santa Catarina como

Anderson Carlos Faller

Florianpolis, abril de 2009.

Desenvolvimento de uma Plataforma para Otimizao

Esta monografia foi julgada no contexto da disciplina

Prof. Eduardo Camponogara

famlia, pelo apoio, pelo amor e toda a confiana.

1.2 Elevao Artificial

1.2.1 Gas-Lift Contnuo . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3 Objetivo do Projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5 Organizao do Documento . . . . . . . . . . . . . . . . . . . . . . . . .

2.1 Otimizao de Gas-Lift Contnuo . . . . . . . . . . . . . . . . . . . . . .

2.2 Obteno de Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3 Ajuste de Curvas de Desempenho . . . . . . . . . . . . . . . . . . . . .

2.3.1 Ajuste Polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.2 Ajuste de Funo Polinomial e Logartmica . . . . . . . . . . . .

2.3.3 Ajuste Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.4 Ajuste de Curva Pwf . . . . . . . . . . . . . . . . . . . . . . . . .

3.1 Otimizao offline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2 Ferramentas para Otimizao em Tempo Real . . . . . . . . . . . . . .

3.2.1 MPA - Mdulo de Procedimentos Automatizados . . . . . . . . .

3.3 Otimizao Local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.4 Otimizao Global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.4.1 Programao Quadrtica Sequencial . . . . . . . . . . . . . . .

3.5 Identificao de Modelos . . . . . . . . . . . . . . . . . . . . . . . . . .

3.5.1 Deteco de Regime Permanente . . . . . . . . . . . . . . . . .

3.5.2 Verificao de Modelos . . . . . . . . . . . . . . . . . . . . . . .

3.5.3 Aquisio de Pontos (Qinj , Pwf ) . . . . . . . . . . . . . . . . . . .

3.6 Ajuste de Curvas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1 GLM no Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1.1 Modelo Simplificado de um Poo . . . . . . . . . . . . . . . . . .

5.1 Otimizao Local no OLGA . . . . . . . . . . . . . . . . . . . . . . . . .

5.2 Otimizao Global no Matlab . . . . . . . . . . . . . . . . . . . . . . . .

5.3 Ensaios com restries . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1 Contextualizao do projeto. . . . . . . . . . . . . . . . . . . . . . . . .

1.2 Esquemtico de poo operando via gas-lift. . . . . . . . . . . . . . . . .

1.3 Caractersticas das curvas Pwf Qinj e Qoil Qinj . . . . . . . . . . . .

2.1 Regio econmica de operao de um poo. . . . . . . . . . . . . . . .

3.1 Mtodo grfico para o equal-slope. . . . . . . . . . . . . . . . . . . . . .

3.2 Processo de configurao do MPA. . . . . . . . . . . . . . . . . . . . . .

3.3 Configurao de fluxos no MPA. . . . . . . . . . . . . . . . . . . . . . .

3.4 Arquitetura bsica do Laplace. . . . . . . . . . . . . . . . . . . . . . . .

3.5 Interface grfica do Laplace.

3.6 Estrutura OPC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.7 Situaes do algoritmo de otimizao local com passo fixo. . . . . . . .

3.8 Fluxograma de busca de mnima Pwf implementado no MPA. . . . . . .

3.9 Sucessivas aproximaes quadrticas do algoritmo de passos variveis. 32

3.11 Cooperao entre os elementos do sistema. . . . . . . . . . . . . . . .

4.1 Controle do manifold com ao feed-foward . . . . . . . . . . . . . . . .

4.2 Bloco de otimizao no Matlab. . . . . . . . . . . . . . . . . . . . . . . .

4.3 Modelo modificado de Hammerstein . . . . . . . . . . . . . . . . . . . .

4.4 Arquitetura bsica do Linker OLGA-OPC . . . . . . . . . . . . . . . . . .

4.5 Interface grfica do Linker OLGA-OPC . . . . . . . . . . . . . . . . . . .

5.1 Otimizao local em um poo modelado no OLGA: Qinj e Pwf . . . . . .

5.2 Otimizao local em um poo modelado no OLGA: Qinj e Qoil . . . . . .

5.3 Queda da produo com um modelo errado. . . . . . . . . . . . . . . .