[pt] ANÁLISE DE INCERTEZAS E REDUÇÃO DE CENÁRIOS EM ALOCAÇÃO DE RECURSOS DE TAREFAS DE SONDAS MARÍTIMAS: UMA ABORDAGEM DE MACHINE LEARNING

[en] UNCERTAINTY AND SCENARIO REDUCTION IN MATERIAL RESOURCES ALLOCATION OF OFFSHORE RIGS: A MACHINE LEARNING APPROACH

[pt] RACHEL MARTINS VENTRIGLIA

[pt] CLUSTERIZACAO

[pt] SONDA MARITMA

[pt] TAREFA DE CONSTRUCAO DE POCOS

[pt] REDUCAO DE CENARIOS

[en] CLUSTERING

[en] OFFSHORE RIG

[en] WELL CONSTRUCTION TASK

[en] SCENARIO REDUCTION

[pt] O planejamento de recursos materiais é uma parte importante do gerenciamento da cadeia de suprimentos. As tarefas na cadeia de suprimentos precisam de materiais e recursos para serem executadas e, portanto, alocar os recursos corretamente é uma parte importante do planejamento de tarefas. Especificamente, as tarefas de construção de poços submarinos requerem a utilização de recursos, como sondas, e o planejamento do cronograma dessas operações envolve o dimensionamento de diversos materiais e serviços necessários para sua execução. Este estudo é motivado pelo planejamento de programação real de uma grande empresa de Óleo e Gás que estima estocasticamente a demanda por materiais e serviços devido às incertezas associadas às tarefas em suas datas de início e durações. O cálculo da demanda varia de acordo com o cronograma atual que a empresa possui e a um conjunto de regras que indicam condições de alocação, parâmetros logísticos, condições de desembarque e dependências para alocar as ferramentas e serviços necessários para cada tarefa e estimar sua quantidade e quantos dias em que serão usados. Este conjunto de ferramentas e regras pode mudar dependendo do usuário e de seu conhecimento operacional. Além disso, a empresa utiliza um grande número de cenários, o que resulta em tempos computacionais extremamente altos e impacta a tomada de decisões operacionais. Nesse contexto, a redução de cenários poderia auxiliar a empresa no seu processo de tomada de decisão. A metodologia proposta neste trabalho avalia e identifica cenários representativos de incerteza nos cronogramas de planejamento estratégico de sondas offshore, a fim de reduzir o número de cenários utilizados no cálculo da demanda por ferramentas e serviços. Com a utilização de técnicas não supervisionadas, como k-means e agrupamento hierárquico, foi identificado um subconjunto com os cenários mais representativos para a redução de cenários. A Distância de Wasserstein e a visualizações gráficas foram utilizadas para calcular a representatividade dos cenários selecionados e encontrar o melhor subconjunto. Além disso, o subconjunto de cenários proveniente da redução também foi utilizado para analisar o impacto da redução no cálculo da demanda. O Clustering Aglomerativo com Ward Linkage obteve os melhores resultados de clusterização e representatividade, resultando em um subconjunto de redução de 782 cenários. Para encontrar um conjunto mínimo representativo de cenários, foi utilizado o melhor método de agrupamento, junto com a Distância de Wasserstein, e por fim obtido um número de 343 cenários. Isto apresenta uma redução de 84 por cento no tempo de execução do cálculo da demanda, com o erro maior de 11 por cento no cálculo da demanda.

[en] Material resource planning is an integral part of supply chain management. The tasks in the supply chain need materials and resources to be executed, thus, allocating resources correctly is an important part of task scheduling. Specifically, construction tasks for subsea wells require the use of resources, such as rigs, and planning the schedule of these operations involves the sizing of various materials and services necessary for their execution. This study is motivated by real-life scheduling planning from a large Oil and Gas company that estimates the demand for materials and services stochastically due to the uncertainties associated with the tasks in their start dates and durations. The calculation of the demand is subject to the current schedule that the company has and a set of rules that indicate allocation conditions, logistics parameters, disembarking conditions, and dependencies to allocate the tools and services needed for each task and estimate their quantity and how many days they will be used. These sets of tools and rules can change depending on the user and their operation knowledge. Additionally, the company uses a large number of scenarios, which results in extremely high computational times and impacts operational decision-making. In this context, scenario reduction could assist the company in its decision-making process. The methodology proposed in this work evaluates and identifies representative scenarios of uncertainty in strategic planning schedules of offshore rigs in order to reduce the number of scenarios used in the calculation of the demand for tools and services. With the use of unsupervised techniques, such as k-means and hierarchical clustering, we identified a subset with the most representative scenarios for the scenario reduction. The Wasserstein Distance and graphical visualization were used to measure the representativeness of the selected scenarios and find the best subset. Moreover, the scenario reduction subset was also used to analyze the impact of the reduction in the demand calculation. The Agglomerative Clustering with Ward Linkage (hierarchical clustering) obtained the best clustering evaluation and representativeness metrics, resulting in a selected subset of 782 scenarios. To find a minimal representative set of scenarios, the best clustering method and the Wasserstein Distance were used, resulting in a number of 343 scenarios. This presents a reduction of 84 percent in the execution time of the demand calculation, with the highest error of 11 percent in the demand calculation.

LEONARDO DOS SANTOS LOURENCO BASTOS

SILVIO HAMACHER

SILVIO HAMACHER

RAFAEL MARTINELLI PINTO

PAULO CESAR RIBAS

LEONARDO DOS SANTOS LOURENCO BASTOS

2024-04-18

2024-02-29

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=66487@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=66487@2

https://doi.org/10.17771/PUCRio.acad.66487