[pt] Nas últimas décadas, grandes investimentos foram feitos no desenvolvimento de modelos e métodos numéricos para prever e analisar os diferentes aspectos do processo de recuperação de óleo e gás. Neste contexto, os simuladores modernos devem ser capazes de incorporar uma grande variedade de opções para responder questões relacionadas ao gerenciamento de reservatórios de forma rápida e precisa. Neste trabalho, nós apresentamos um simulador de reservatórios baseado em uma arquitetura de plugins, onde diferentes formulações, solvers e modelos podem ser desenvolvidos, estendidos e aprimorados. A partir desta abordagem, utilizamos o modelo black-oil para implementar técnicas tradicionais e do estado da arte, como os métodos totalmente e adaptativamente implícito, os métodos de Newton-Raphson e Newton Inexato, controladores heurístico e PID para passo de tempo adaptativo e aproximações de fluxo de um ponto baseados no potencial de fase tradicional e C1-contínuo. Diversas configurações de plugins foram testadas e validadas com simuladores comerciais e seus desempenhos foram utilizados para determinar quais as mais adequadas para resolver problemas de escoamento multifásico. / [en] During the last decades, large investments were made towards the development of numerical models and methods to forecast and analyze the different aspects of oil and gas recovery. In this context, modern simulators must be able to incorporate a wide variety of options to answer questions related to reservoir management accurately and effectively. In this work, we present a reservoir simulator based on a plugin architecture, where different formulations, solvers, and models can be developed, extended, and enhanced. With this approach, we use the black-oil model to implement traditional and state-of-the-art techniques, including fully- and adaptiveimplicit methods, heuristic and PID time-step controllers, Newton-Raphson and Inexact Newton, and C1-continuous and conventional phase-potential single-point upstream weighting. Several plugin configurations were tested and validated with commercial simulators, and their performances were used to determine which are the most suitable to solve multiphase flow problems.

[pt] Métodos computacionais em engenharia são usados na solução de problemas físicos que não possuem solução analítica ou sua perfeita representação matemática é inviável. Técnicas de métodos numéricos, incluindo o amplamente usado método dos elementos finitos, podem exigir a solução de sistemas lineares com centenas de milhares de equações, demandando altos recursos computacionais (memória e tempo). Nesta tese, nós apresentamos um sistema baseado em plugins para análise numérica em larga escala. O sistema é usado como uma ferramenta original na solução de problemas de otimização topológica usando o método dos elementos finitos com milhões de elementos. Nossa estratégia utiliza uma técnica elemento-por-elemento para implementar um código altamente paralelo para um solver iterativo com baixo consumo de memória. Além disso, a abordagem de plugin proporciona um ambiente completamente flexível e fácil de estender, onde diferentes aplicações, exigindo diferentes tipos de elementos finitos, materiais, solvers lineares e formulações podem ser desenvolvidos e melhorados. O kernel do sistema é mínimo, com apenas um módulo gerenciador de plugin, responsável por carregar os plugins desejados em tempo real usando um arquivo de configuração de entrada. Todas as funcionalidades necessárias para uma determinada aplicação são definidas dentro dos plugins, sem a necessidade de mudar o kernel. Plugins podem disponibilizar ou exigir interfaces adicionais especializadas, onde outros plugins podem ser conectados para compor um sistema mais complexo e completo. Nós apresentamos resultados para uma análise estrutural estática linear elástica e para uma análise estrutural de otimização topológica. As simulações utilizam elementos Q4, hexagonal (Brick8) e prisma hexagonal (Honeycomb), com solvers diretos e iterativos usando computação sequencial, paralela e distribuída. Nós investigamos o desempenho com relação ao uso de memória e escalabilidade da solução para problemas com diferentes tamanhos, de exemplos pequenos a muito grandes em apenas uma máquina e em um cluster. Foi simulado um exemplo de análise estática linear elástica com 500 milhões de elementos em 300 máquinas. / [en] Computational methods in engineering are used to solve physical problems that do not have analytical solution or their perfect mathematical representation is unfeasible. Numerical techniques, including the largely used finite element method, require the solution of linear systems with hundreds of thousands equations, demanding high computational resources (memory and time). In this thesis, we present a plugin-based framework for large-scale numerical analysis. The framework is used as an original tool to solve topology optimization problems using the finite element method with millions of elements. Our strategy uses an element-by-element technique to implement a highly parallel code for an iterative solver with low memory consumption. Besides, the plugin approach provides a fully flexible and easy to extend environment, where different types of applications, requiring different types of finite elements, materials, linear solvers, and formulations, can be developed and improved. The kernel of the framework is minimum with only a plugin manager module, responsible to load the desired plugins during runtime using an input configuration file. All the features required for a specific application are defined inside plugins, with no need to change the kernel. Plugins may provide or require additional specialized interfaces, where other plugins may be connected to compose a more complex and complete system. We present results for a structural linear elastic static analysis and for a structural topology optimization analysis. The simulations use elements Q4, hexahedron (Brick8), and hexagonal prism (Honeycomb), with direct and iterative solvers using sequential, parallel and distributed computing. We investigate the performance regarding the use of memory and the scalability of the solution for problems with different sizes, from small to very large examples on a single machine and on a cluster. We simulated a linear elastic static example with 500 million elements on 300 machines.