[pt] O desenvolvimento de um reservatório de petróleo já conhecido e delimitado consiste em encontrar uma alternativa (configuração) de poços que contribua para maximizar a receita a ser obtida com o óleo recuperado do reservatório. A busca por esta alternativa frequentemente é baseada em processos de otimização que usam o valor presente líquido (VPL) do projeto como função de avaliação das alternativas encontradas durante a busca. Dentre outras variáveis, o cálculo do VPL é diretamente dependente dos dados de produção de óleo, gás e água durante a vida produtiva do reservatório, bem como de seus custos de desenvolvimento. Determinar a localização, os tipos (produtor ou injetor) e a trajetória de poços em um reservatório é um problema de otimização complexo que depende de uma grande quantidade de variáveis, dentre elas as propriedades do reservatório (tais como porosidade e permeabilidade) e os critérios econômicos. Os processos de otimização aplicados a este tipo de problema têm um alto custo computacional devido ao uso contínuo de simuladores que reproduzem as condições do reservatório e do sistema de superfície. O uso dos simuladores pode ser substituído por um aproximador, que neste trabalho, é um modelo que utiliza Redes Neurais Artificiais. Os aproximadores aqui apresentados são feitos para substituir a simulação integrada do reservatório, do poço e da superfície (linhas de produção e riser). As amostras para a construção do aproximador é feita utilizando os simuladores de reservatório e de superfície e para reduzir o número de amostras necessárias e tornar sua construção mais rápida, utiliza-se Hipercubo Latino e Análise de Componentes Principais. Os aproximadores foram testados em dois reservatórios petrolíferos: um reservatório sintético, e baseado em um caso real. Os resultados encontrados indicam que estes aproximadores conseguem bom desempenho na substituição dos simuladores no processo de otimização devido aos baixos erros encontrados e à substancial diminuição do custo computacional. / [en] The development of an oil reservoir consists in finding an alternative of wells that contributes to maximizing the revenue to be obtained from the recovered reservoir oil. The pursuit for this alternative is often based on optimization processes using the net present value (NPV) of the project as the evaluation function of the alternatives found during this pursuit. Among other variables, the NPV calculation is directly dependent on the oil, gas and water production data during the productive life of the reservoir, as well as their development costs. Determine the number, location, type (producer or injector) and the trajectory of wells in a reservoir is a complex optimization problem which depends on a lot of variables, including the reservoir properties (such as porosity and permeability) and economic criteria. The optimization processes applied to this type of problem has a high computational cost due to the continuous use of simulators that reproduce the conditions of the reservoir and the surface system. The use of simulators may be replaced by proxies. At the present work, proxies were constructed using artificial neural networks. The proxies presented here are meant to replace the integrated reservoir, well and surface (production lines and riser) simulation to reduce the computational cost of a decision support system. The samples for the construction of the proxies are produced using reservoir and surface simulators. To reduce the number of samples needed for the proxy construction, and, to reduce the dimension of the problem, Latin Hypercube and Principal Component Analysis are used. The approximators were tested in two oil reservoirs: a synthetic reservoir, and another with real features. The results indicate that these approximators can perform well in replacement of simulators in the optimization process due to low errors found and a substantial decrease in computational cost.