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

[pt] OTIMIZAÇÃO COM RESTRIÇÕES CONJUNTAS PROBABILÍSTICAS ORIENTADA POR DADOS PARA O PROBLEMA DE PROGRAMAÇÃO DE SONDAS DE INTERVENÇÃO

[pt] IURI MARTINS SANTOS

[pt] MODELOS DE REGRESSAO

[pt] RESTRICOES PROBABILISTICAS CONJUNTAS

[pt] OTIMIZACAO ORIENTADA SOBRE DADOS

[pt] OTIMIZACAO SOB INCERTEZA

[pt] PROGRAMACAO DE SONDAS

[en] REGRESSION MODELS

[en] JOINT CHANCE CONSTRAINTS

[en] DATA-DRIVEN OPTIMIZATION

[en] OPTIMIZATION UNDER UNCERTAINTY

[en] RIG SCHEDULING PROBLEM

[pt] As sondas de intervenção são um recurso crucial na exploração e produção de petróleo, sendo utilizadas nas operações de manutenção de poços. As empresas de petróleo planejam quais sondas atenderão os poços. O Problema de Programação de Plataforma de Trabalho (WRSP) determina quais sondas atenderão os poços e quando as atividades ocorrerão. Com o intuito de auxiliar o WRSP, esta tese propõe uma metodologia de otimização orientada por dados (DD) baseada em regressão, aplicandoa em instâncias reais. Essa abordagem de otimização DD é dividida em três fases: tratamento de dados, onde técnicas de mineração de texto e agrupamento são usadas para refinar e recuperar informações dos dados; modelagem preditiva usando regressão de cume para estimar a duração do workover e as incertezas endógenas do modelo; otimização, onde a previsão da regressão e seu erro aleatório são inseridos nos modelos de restrições probabilísticas conjuntas (JCC), gerando soluções mais resilientes às incertezas. Propomos uma formulação estocástica de JCC baseada em simulação e distância de Wasserstein para gerar cenários e reduzir o tamanho do problema. Esse modelo é comparado com quatro alternativas: um DD não estocástico, um CC integrado estocástico, um modelo estocástico com restrição orçamentária e a abordagem atual da empresa. Para instâncias de pequeno e médio porte, o modelo estocástico JCC garante um nível de confiança de viabilidade e um erro de aproximação inferior a 5 por cento. No entanto, o modelo estocástico JCC não fecha o GAP em instâncias maiores. Para essas instâncias, o modelo DD não estocástico é uma boa alternativa com perturbações não superiores a 10 por cento. No geral, a metodologia de otimização DD encontra cronogramas que são mais frequentemente viáveis e com custos menores em comparação com o método da empresa.

[en] Workover rigs are a crucial resource in petroleum exploration and production, used in the wells maintenance operations. The Workover Rig Scheduling Problem (WRSP) determines which rigs will serve the wells and when the activities will occur. This decision-making problem emerges in a highly uncertain environment, and most literature approaches are based on deterministic models and heuristics. Aiming to assist the WRSP, this thesis proposes a regression-based data-driven (DD) optimization methodology, applying it in real-life-based instances. This DD optimization approach is composed of three phases: data treatment, where text mining and clustering techniques are used to refine and retrieve information from the data; predictive modeling, using ridge regression to estimate the workover duration and the endogenous uncertainties in the model; optimization, where the regression prediction and random error are inserted in the joint chance-constrained (JCC) models, generating solutions more resilient to the uncertainties. We propose a stochastic JCC formulation based on simulation and Wasserstein distance to generate scenarios and reduce the problem size. This model is compared with four alternatives: a non-stochastic DD, a stochastic integrated CC, a stochastic budget-constrained model, and the company s current approach. For small and medium-sized instances, the stochastic JCC model guarantees a feasibility confidence level with an error of approximating lower than 5 percent. However, the stochastic JCC model does not close the GAP in large instances. For these instances, the non-stochastic DD model is a good alternative with disturbances not greater than 10 percent. Overall, the DD optimization methodology finds schedules that are more often feasible and with lower costs compared with the company s method.

SILVIO HAMACHER

FABRICIO CARLOS PINHEIRO OLIVEIRA

SILVIO HAMACHER

FABRICIO CARLOS PINHEIRO OLIVEIRA

VIRGILIO JOSE MARTINS FERREIRA FILHO

PAULO CESAR RIBAS

GLAYDSTON MATTOS RIBEIRO

LEONARDO DOS SANTOS LOURENCO BASTOS

2023-02-23

2022-12-13

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61875@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=61875@2

https://doi.org/10.17771/PUCRio.acad.61875