[pt] Na área de Exploração e Produção (EeP) de petróleo, uma das tarefas mais importantes é o estudo minucioso das características do reservatório para a criação de modelos de simulação que representem adequadamente as suas características. Durante a vida produtiva de um reservatório, o seu modelo de simulação correspondente precisa ser ajustado periodicamente, pois a disponibilidade de um modelo adequado é fundamental para a obtenção de previsões acertadas acerca da produção, e isto impacta diretamente a tomada de decisões gerenciais. O ajuste das propriedades do modelo se traduz em um problema de otimização complexo, onde a quantidade de variáveis envolvidas cresce com o aumento do número de blocos que compõem a malha do modelo de simulação, exigindo muito esforço por parte do especialista. A disponibilidade de uma ferramenta computacional, que possa auxiliar o especialista em parte deste processo, pode ser de grande utilidade tanto para a obtenção de respostas mais rápidas, quanto para a tomada de decisões mais acertadas. Diante disto, este trabalho combina inteligência computacional através de Algoritmo Genético Co-Evolutivo com Geoestatística de Múltiplos Pontos, propondo e implementando uma arquitetura de otimização aplicada ao ajuste de propriedades de modelos de reservatórios. Esta arquitetura diferencia-se das tradicionais abordagens por ser capaz de otimizar, simultaneamente, mais de uma propriedade do modelo de simulação de reservatório. Utilizou-se também, processamento distribuído para explorar o poder computacional paralelo dos algoritmos genéticos. A arquitetura mostrou-se capaz de gerar modelos que ajustam adequadamente as curvas de produção, preservando a consistência e a continuidade geológica do reservatório obtendo, respectivamente, 98 por cento e 97 por cento de redução no erro de ajuste aos dados históricos e de previsão. Para os mapas de porosidade e de permeabilidade, as reduções nos erros foram de 79 por cento e 84 por cento, respectivamente. / [en] In the Exploration and Production (EeP) of oil, one of the most important tasks is the detailed study of the characteristics of the reservoir for the creation of simulation models that adequately represent their characteristics. During the productive life of a reservoir, its corresponding simulation model needs to be adjusted periodically because the availability of an appropriate model is crucial to obtain accurate predictions about the production, and this directly impacts the management decisions. The adjustment of the properties of the model is translated into a complex optimization problem, where the number of variables involved increases with the increase of the number of blocks that make up the mesh of the simulation model, requiring too much effort on the part of a specialist. The availability of a computational tool that can assist the specialist on part of this process can be very useful both for obtaining quicker responses, as for making better decisions. Thus, this work combines computational intelligence through Coevolutionary Genetic Algorithm with Multipoint Geostatistics, proposing and implementing an architecture optimization applied to the tuning properties of reservoir models. This architecture differs from traditional approaches to be able to optimize simultaneously more than one property of the reservoir simulation model. We used also distributed processing to explore the parallel computing power of genetic algorithms. The architecture was capable of generating models that adequately fit the curves of production, preserving the consistency and continuity of the geological reservoir obtaining, respectively, 98 percent and 97 percent of reduction in error of fit to the historical data and forecasting. For porosity and permeability maps, the reductions in errors were 79 percent and 84 percent, respectively.