$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
X
INFORMAÇÕES SOBRE DIREITOS AUTORAIS


As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.

A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.

A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.

A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital

Avançada


Estatísticas |



Título: DATA-DRIVEN JOINT CHANCE-CONSTRAINED OPTIMIZATION FOR THE WORKOVER RIG SCHEDULING PROBLEM
Autor: IURI MARTINS SANTOS
Instituição:  -
Colaborador(es):  SILVIO HAMACHER - ADVISOR
FABRICIO CARLOS PINHEIRO OLIVEIRA - CO-ADVISOR

Nº do Conteudo: 60192
Catalogação:  16/08/2022 Liberação: 16/08/2022 Idioma(s):  ENGLISH - UNITED STATES
Tipo:  TEXT Subtipo:  PRESENTATION
Natureza:  SCHOLARLY PUBLICATION
Nota:  Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60192&idi=1
Referência [en]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60192&idi=2
Referência DOI:  https://doi.org/10.17771/PUCRio.SeminarPPGEP.60192

Resumo:
Workover rigs are a crucial resource in the exploration and production of oil and gas, being used in the wells maintenance operations. To avoid resource idleness and scarcity, oil companies plan which rigs will serve the wells and when the activities will occur in the so-called Workover Rig Scheduling Problem (WRSP). This decision-making emerges in a highly uncertain environment and the majority of literature approaches are deterministic models and heuristics. Aiming to assist the WRSP, this study proposes two data-driven joint chance-constrained (JCC) optimization models considering the uncertainty in the jobs processing times and the solution feasibility: a deterministic equivalent using mixed-integer non-linear programming and a scenario-based approach with mixed-integer linear programming. Chance-constrained models consider the risk in the constraints, generating solutions more adherent to reality. Our strategies focus on JCC models with right-hand side uncertainty. In turn, data-driven optimization is a new trend tackling the data-related uncertainty with machine learning and data science. Our data-driven approach uses clustering and data-mining to clear and retrieve information from the data and a Ridge Regression that predicts the endogenous uncertainties in the model. The regression uncertainty is inserted in the model. The next steps of the studies are to implement the Wasserstein distances method to reduce the number of scenarios and achieve practical results.

Descrição Arquivo
COMPLETE  PDF
Logo maxwell Agora você pode usar seu login do SAU no Maxwell!!
Fechar Janela



* Esqueceu a senha:
Senha SAU, clique aqui
Senha Maxwell, clique aqui