[en] DATA-DRIVEN JOINT CHANCE-CONSTRAINED OPTIMIZATION FOR THE WORKOVER RIG SCHEDULING PROBLEM

[pt] OTIMIZAçãO DE JOINT CHANCE-CONSTRAINED ORIENTADA POR DADOS PARA O PROBLEMA DE PROGRAMAçãO DE SONDAS DE INTERVENçãO

[pt] IURI MARTINS SANTOS

[pt] PROGRAMACAO

[pt] SONDA DE INTERVENCAO

[pt] JOINT CHANCE-CONSTRAINED

[pt] OTIMIZACAO ORIENTADA POR DADOS

[en] PROGRAMMING

[en] JOINT CHANCE-CONSTRAINED

[en] DATA-DRIVEN OPTIMIZATION

[pt] As sondas de intervenção são um recurso fundamental na exploração e produção de óleo e gás, sendo utilizadas nas operações de manutenção de poços. Para evitar ociosidade e escassez de recursos, as petroleiras planejam quais sondas atenderão os poços e quando ocorrerão as atividades no chamado Problema de Programação de Plataforma de Trabalho (WRSP). Essa tomada de decisão surge em um ambiente altamente incerto e a maioria das abordagens da literatura são modelos determinísticos e heurísticos. Com o objetivo de auxiliar o WRSP, este estudo propõe dois modelos de otimização orientada por dados com joint chance-constrained (JCC) considerando a incerteza nos tempos de processamento dos jobs e a viabilidade da solução: um equivalente determinístico usando programação não linear inteira mista e uma abordagem com cenários baseada em programação linear inteira mista. Os modelos restritos ao acaso consideram o risco nas restrições, gerando soluções mais aderentes à realidade. Nossas estratégias se concentram em modelos JCC com incerteza do lado direito. Por sua vez, a otimização orientada a dados é uma nova tendência que enfrenta a incerteza relacionada aos dados com aprendizado de máquina e ciência de dados. Nossa abordagem baseada em dados usa clustering e mineração de dados para limpar e recuperar informações dos dados e uma regressão de cume que prevê as incertezas endógenas no modelo. A incerteza da regressão é inserida no modelo. A próxima etapa dos estudos é implementar o método de distâncias de Wasserstein para reduzir o número de cenários e obter resultados práticos.

[en] 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.

SILVIO HAMACHER

FABRICIO CARLOS PINHEIRO OLIVEIRA

2022-08-16

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60192@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60192@2

https://doi.org/10.17771/PUCRio.SeminarPPGEP.60192