[pt] Métodos de aprendizagem de variedades assumem que um conjunto de dados de alta dimensão possuem uma representação de baixa dimensionalidade. Tais métodos podem ser empregados para simplificar os dados e obter um melhor entendimento da estrutura da qual os dados fazem parte. Nesta tese, utiliza-se o método de aprendizagem de variedades chamado votação por tensores para obter informação da dimensionalidade intrínseca dos dados, bem como estimativas confiáveis da orientação dos vetores normais e tangentes em cada ponto da variedade. Em seguida, propõe-se um método construtivo para aproximar a variedade implícita e realizar uma regressão. O método e chamado de Regressão Construtiva em Variedades Implícitas (RCVI). Com os resultados obtidos no método de votação por tensores, busca-se uma aproximação da variedade através de uma participação do domínio, controlada pelo erro, baseada em malhas 2n-adicas (n denota o numero de características dos dados de entrada) e em arvore binaria com funções de transição suave. A construção consiste em dividir os dados em vários subconjuntos, de maneira a aproximar cada subconjunto de dados com funções implícitas simples. Nesse trabalho empregamos funções polinomiais multivariadas. A forma global pode ser obtida combinando essas estruturas simples. A cada dado de entrada esta associada uma saída e a partir de uma boa aproximação da variedade, utilizando esses dados de entrada, busca-se obter uma boa estimativa da saída. Dessa forma, os critérios de parada da subdivisão do domínio incluem uma precisão, definida pelo usuário, na aproximação da variedade, bem como um critério envolvendo a dispersão das saídas em cada subdomínio. Para avaliar o desempenho do método proposto, realiza-se uma regressão com dados reais, compara-se com métodos de aprendizagem supervisionada e efetua-se ainda uma aplicação na área de dados de poucos de petróleo. / [en] Manifold Learning Methods assume that a high-dimensional data set has a low-dimensional representation. These methods can be employed in order to simplify data, and to obtain a better understanding of the structure of which the data belong. In this thesis, a tensor voting approach is employed as a technique of manifold learning, to obtain information about the intrinsic dimensionality of the data and reliable estimates of the orientation of normal and tangent vectors at each data point in the manifold. Next, a constructive method is proposed to approximate an implicit manifold and perform a regression. The method is called Constructive Regression on Implicit Manifold (RCVI). With the obtained results, search is made in order to obtain a manifold approximation, which consists in a domain partition, error-controlled, based on 2n-trees (n means the number of features of the input data set) and binary partition trees with smooth transition functions. The construction implies in partition the data set into several subsets in order to approximate each subset with a simple implicit function. In this work, it is used multivariate polynomial functions. The global shape can be obtained by combining these simple structures. Each input data set is associated with an output data, then, from a good manifold approximation using those input data set, it is hoped that occurs a good estimate of the output data. Therefore, the stop criteria of the domain subdivision include a precision, deffined by the user, on the manifold approximation, as well as a criterion that involves the output dispersion on each subdomain. To evaluate the performance of the proposed method, a regression on real data is computed, and compared with some supervised learning algorithms and also an application on well data is performed.

[pt] Este trabalho investiga o problema de otimização de alternativas para o desenvolvimento de campos petrolíferos. Uma alternativa de desenvolvimento refere-se à forma como um campo petrolífero, conhecido e delimitado, é colocado em produção, isto é, diz respeito à determinação do número, localização e agendamento dos poços de produção e injeção. Otimização de alternativas consiste em encontrar as configurações de produção que, a longo prazo, forneçam o maior valor presente líquido (VPL), obtido a partir do custo de investimento inicial, do preço do petróleo, da produção de óleo e gás, dos custos de operação, das alíquotas de impostos e dos royalties pagos durante o tempo de produção. A produção de óleo é obtida usando-se um simulador de reservatório. O simulador recebe a informação da alternativa a ser simulada e retorna a curva de produção de óleo e gás no tempo de produção especificado. Cada execução do simulador pode demorar desde alguns segundos até várias horas, dependendo da complexidade do reservatório modelado. Este trabalho propõe, implementa e avalia um sistema inteligente de otimização que emprega: algoritmos genéticos (AGs) para a busca de uma alternativa de desenvolvimento ótima; uso de ambiente de computação paralela para a simulação de reservatório e cálculo do VPL das alternativas; um módulo de inferência baseado em modelos inteligentes para aproximar a função de produção de óleo; e um módulo de caracterização baseado em mapas de qualidade para obter informações do campo petrolífero a serem aproveitadas durante a otimização. Este trabalho consistiu de 4 etapas: uma revisão da literatura sobre desenvolvimento de campos petrolíferos, simulação de reservatórios e caracterização de campos petrolíferos; um estudo das técnicas de inteligência computacional para otimização e aproximação de funções; desenvolvimento do modelo proposto de otimização de alternativas; e o estudo de casos. O modelo proposto foi avaliado com configurações de reservatório homogêneo e heterogêneo obtendo resultados da otimização, do uso da caracterização, da aproximação pelo módulo de inferência e do uso do ambiente paralelo. Os resultados obtidos mostram que, o modelo proposto, permite alcançar respostas com altos VPL sem utilizar conhecimento prévio, e também a partir de informações extraídas da caracterização ou fornecidas pelo próprio especialista como sementes iniciais na otimização. A principal contribuição deste trabalho é a concepção e implementação de um sistema baseado em técnicas inteligentes para otimizar alternativas de desenvolvimento com uma redução do tempo computacional para um processo iterativo, obtida tanto pelo aproveitamento do poder computacional de um ambiente de computação paralela, como pelo uso de aproximações das curvas de produção. Este sistema inteligente oferece uma ferramenta de suporte à decisão que automatiza a busca de alternativas de desenvolvimento e aproveita informações vindas do conhecimento do engenheiro de reservatório. / [en] This work investigates the problem of optimization of alternatives for petroleum fields` development. A development alternative refers to the way a well-known and delimited petroleum field is placed in production. This process involves the determination of the number, localization and scheduling of producer and injector wells. Thus, the optimization of alternatives consists of finding the production configurations that, in the long term, provide the maximum net present value (NPV); this is obtained from the investment cost, oil price, oil & gas production, operation costs and taxes and royalties paid during the production time. The oil and gas production is obtained from a reservoir simulator. The simulator receives information from the alternative to be simulated, and returns an oil & gas production to specified production time. Each simulation can take from a few seconds to several hours, depending on complexity of the reservoir being modeled. This work proposes, implements and evaluates an intelligent optimization system that comprises: genetic algorithms (GAs) to search an optimal development alternative; using of parallel computing environment to reservoir simulation and NPV computing; an inference module, basis in intelligent models, to approximate the oil production function; and a oilfield characterization module, basis in quality maps, to obtain information about the oilfield to use during optimization process. This work consisted of four stages: a literature review about petroleum field development and reservoir simulation; a study about computational intelligence techniques applied in optimization and functions approximation; the development of alternatives optimization proposal model; and the case studies. The proposal model was evaluated using homogeneous and heterogeneous reservoir configurations, obtaining results of optimization, by using characterization, the inference module and the parallel environment. The obtained results indicate that the proposed model provides alternatives with high NPV without previous knowledge and also from information provided by characterization or information inserted by the expert as initial seeds into optimization. The main contribution of this work is the conception and the implementation of a system basis in intelligent techniques to optimize development alternatives offering a reduction time to an iterative process, obtained from exploit of computational effort of a parallel computing environment or by using of production curves approximations. This intelligent system offers a decision-support tool that allows automating the search process of development alternatives and exploiting information from knowledge of reservoir engineers.