[pt] A apreciação ou crescimento de reservas de óleo e gás é importante para uma empresa petrolífera, pois ela indica quanto uma reserva provada crescerá desde o início da produção até um determinado ano. Cada campo apresenta uma apreciação própria que depende de diversos fatores que fazem com que as reservas que antes eram classificadas como prováveis e possíveis sejam reclassificadas agora como provadas. Esta dissertação propõe determinar a apreciação de reservas para óleo e gás com base em séries históricas de campos com características semelhantes, calculando a apreciação média e a elas associando as incertezas da previsão por meio de intervalo de confiança para cada ano após o início da produção, e assim, determinando curvas delimitadoras do intervalo. Dos modelos estudados que satisfazem à condição de monotonicidade não-crescente (a taxa de apreciação anual diminui com o tempo), têm-se o logarítmico e o hiperbólico, sendo que o logarítmico foi o que teve melhor ajuste aos dados observados. Entretanto não se deve descartar o modelo hiperbólico, pois ele tem um apelo teórico e pode ter melhor ajuste do que o modelo logarítmico dependendo dos dados. Esse estudo é de caráter teórico, pois não foi possível obter dados reais de reservas. / [en] Oil and gas reserve appreciation, or growth, is a phenomenon important to petroleum exploratory and producing companies. If well understood, the companies will improve their reserves projection into the future. Each field presents a particular appreciation that depends on various factors that move resources from an initial classification into proved reserve-classification. This thesis proposes a methodology for determining oil and gas reserves appreciation based on historical time series data from similar fields, calculating year to year average appreciation, and associating to each average a confidence interval. Two models were selected for adjustment (logarithmic and hyperbolic) both presenting monotonic non- increasing year to year growth. The logarithmic model presented better adjustment to a limited data-set but hyperbolic should not be discarded both because it has desirable features and may produce better future projections. The difficulties in obtaining adequate real historical data, and other kinds of information on reserves time series impeded further statistical analysis.

[pt] Nesta dissertação é proposto um modelo híbrido para previsão de carga de curtíssimo prazo, combinando amortecimento exponencial simples e redes neurais artificiais do topo feed-forward. O modelo fornece previsões pontuais e limites superiores e inferiores para um horizonte de quinze dias. Estes limites formam um intervalo ao qual pode ser associado um nível de confiança empírico, estimado através de um teste fora da amostra. O desempenho do modelo é avaliado ao longo de uma simulação realizada com dados reais de duas concessionárias de energia elétrica brasileiras. / [en] This thesis presents an hibrid short term load forecasting model that mixes simple exponential smoothing with feed- forward neural networks. The model gives point predictions with upper and lower limits for 15-day-ahead horizon. These limits yields an interval with associated empirical confidence level, estimated by an out of sample test. The model's performance is evaluated through a simulation with real data obtained from two Brazilian utilities. / [es] En esta disertación se propone un modelo híbrido para previsión de carga de cortísimo plazo, combinando amortecimiento exponencial simple y redes neurales artificiales tipo feed-forward. EL modelo nos da las previsiones puntuales y los límites superiores e inferiores para un horizonte de quince días. Estos límites forman un intervalo al cual se le puede asociar un nível de confianza empírico, estimado a través de un test out of sample. EL desempeño del modelo se evalúa utilizando datos reales de dos concesionarias de energía eléctrica brasileras.

[pt] Em obras de maior porte e grande responsabilidade (portos, barragens, usinas nucleares, etc.), a quantidade de instrumentações pode se tornar suficiente para permitir a construção de modelos de variabilidade temporal das propriedades de interesse com base em redes neurais artificiais. No caso de barragens, o monitoramento através da instalação de um sistema de instrumentação desempenha um papel fundamental na avaliação do comportamento destas estruturas, tanto durante o período de construção quanto no período de operação. Neste trabalho empregou-se a técnica de redes neurais temporais (RNT) para análise, modelagem e previsão dos valores de vazão na barragem Funil, do sistema Furnas Centrais Elétricas, a partir dos dados de instrumentações disponíveis no período compreendido entre 02/09/1985 e 25/02/2002. As redes neurais temporais empregadas foram: RNT com arquitetura feedforward associada a técnica de janelamento, RNT recorrente Elman, RNT FIR e RNT Jordan. Adicionalmente, foram utilizadas duas técnicas para análise das séries temporais: os modelos de Box & Jenkins (1970) e métodos geoestatísticos, com a finalidade de comparar com o desempenho das RNT´s. Nesta pesquisa estuda-se ainda a geração de intervalos de confiança para RNT e para métodos geoestatísticos. As previsões de vazão analisadas neste trabalho, envolvendo o comportamento da barragem Funil, apresentaram resultados satisfatórios tanto os obtidos pelos modelos de redes neurais temporais como pelos de Box & Jenkins e métodos geoestatísticos. / [en] In works of great responsibility (ports, dams, nuclear power, etc.), the amount of instrumentation data may allow the construction of models for the temporary variability of the properties of interest based on neural network techniques. In case of dams, the monitoring through the installation of an instrumentation system plays a fundamental part in the evaluation of the behavior of these structures, during the construction period as well as in the operation period. In this work the technique of temporal neural networks (TNN) was used for analysis, modeling and forecast of the water discharges values in the Funil dam, from Furnas Centrais Elétricas system, starting from the data of available instrumentation in the period between 02/09/1985 and 25/02/2002. The temporal neural networks used in this research were the following: TNN with feedforward architecture and the windowing technique, recursive TNN Elman, TNN FIR and TNN Jordan. Two additional techniques (Box & Jenkins and geostatistical models) were employed for analysis of the time series with the purpose to compare the results obtained with neural networks. In this research the generation of confidence intervals for TNN and geostatistical methods were also investigated. The discharge values forecasts analyzed in this work for the Funil dam presented satisfactory results, with respect to the neural network, Box & Jenkins and geostatistical methods.