Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-11-17T13:13:41Z No. of bitstreams: 2 Dissertação - Layane Rodrigues de Souza Queiroz - 2017.pdf: 8629970 bytes, checksum: af72c48499b0b9a9f4f284f02a016ae0 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-11-17T13:14:07Z (GMT) No. of bitstreams: 2 Dissertação - Layane Rodrigues de Souza Queiroz - 2017.pdf: 8629970 bytes, checksum: af72c48499b0b9a9f4f284f02a016ae0 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-11-17T13:14:07Z (GMT). No. of bitstreams: 2 Dissertação - Layane Rodrigues de Souza Queiroz - 2017.pdf: 8629970 bytes, checksum: af72c48499b0b9a9f4f284f02a016ae0 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-09-15 / Mechanical systems may suffer with uncertainties that can appear from non-precise data and due the dynamic nature of the problem. Different methods have been used to deal with uncertainty propagation, such as the Latin Hypercube sampling and Polynomial Chaos. Latin hypercube allows to obtain the solution of the random process, from sampling using some probability distribution, over the process domain data. In its turn, the polynomial chaos expansion allows to separate the stochastic components from the deterministic ones of the random solution by using orthogonal polynomials in conformity with the probability distribution of the random variables representing uncertainties. In this work, we apply the Latin hypercube and the polynomial chaos in the quantification of uncertainties. In the beginning some simple mechanical systems were considered, for the purpose to validate the methodology and, then, we studied the effects of uncertainties on a rotor supported by hydrodynamic bearings. / Sistemas mecânicos estão sujeitos a incertezas que surgem a partir da imprecisão dos dados ou da natureza dinâmica do problema. Diferentes métodos têm sido utilizados para lidar com a propagação de incertezas, entre eles o Hipercubo Latino e o Caos Polinomial. O hipercubo latino permite obter a resposta do processo aleatório, a partir da amostragem por alguma destruição de probabilidade, sobre pontos do domínio do processo. Por sua vez, a expansão em caos polinomial permite separar as componentes estocásticas e determinísticas da resposta do processo aleatório a partir do uso de polinômios ortogonais condizentes com a distribuição de probabilidade das variáveis aleatórias que representam as incertezas. Neste trabalho, utiliza-se hipercubo latino e o caos polinomial para a quantificação de incertezas. Inicialmente foram considerados sistemas mecânicos mais simples, como forma de validação da metodologia e, em seguida, faz-se um estudo do efeito de incertezas em um rotor com mancais hidrodinâmicos.

Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2016-09-28T13:05:06Z No. of bitstreams: 2 Dissertação - Tatiane Nunes da Costa - 2016.pdf: 5111300 bytes, checksum: 82d5b13d4c4d57e1f4850a62f149025c (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2016-09-30T13:03:40Z (GMT) No. of bitstreams: 2 Dissertação - Tatiane Nunes da Costa - 2016.pdf: 5111300 bytes, checksum: 82d5b13d4c4d57e1f4850a62f149025c (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2016-09-30T13:03:41Z (GMT). No. of bitstreams: 2 Dissertação - Tatiane Nunes da Costa - 2016.pdf: 5111300 bytes, checksum: 82d5b13d4c4d57e1f4850a62f149025c (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-08-25 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Most of the time, modern problems of engineering are nonlinear and, may also be subject to certain types of uncertainty that can directly influence in the answers of a particular system. In this sense, the stochastic methods have been thoroughly studied in order to get the best settings for a given project. Out of the stochastic techniques, the Method of Monte Carlo stands out and, especially the Latin Hypercube Sampling (LHS) which is a simpler version of the same. For this type of modeling, the Stochastic Finite Elements Method (SFEM) is becoming more frequently used, given that, an important tool for the discretization of stochastic fields can be given by the Karhunèn-Loève (KL) expansion. In this work, the following three case studies will be used: A discrete system of 2 g.d.l., a continuous system of a coupled beam type both in linear and nonlinear springs and a rotor consisting of axis, bearings and disks. In this sense, the influence of uncertainties in the systems studied will be checked, using for this, the LHS, SFEM and the KL expansion. The stochastic study in question will be used in the construction of the great project for the rotor problem already presented. / Problemas modernos de engenharia, na maioria das vezes são não lineares e, podem também estar sujeitos a certos tipos de incertezas que podem influenciar diretamente nas respostas de um dado sistema. Nesse sentido, os métodos estocásticos têm sido exaustivamente estudados com o intuito de se obter as melhores configurações para um dado projeto. Dentre as técnicas estocásticas, destacam-se o Método de Monte Carlo e, principalmente o Método Hipercubo Latino (HCL) que é uma versão mais simples do mesmo. Para este tipo de modelagem, é cada vez mais utilizado o Método dos Elementos Finitos Estocásticos (MEFE), sendo que uma importante ferramenta para a discretização dos campos estocásticos pode ser dada pela expansão de Karhunèn-Loève (KL). Neste trabalho serão utilizados três estudos de casos, quais sejam: Um sistema discreto de 2 g.d.l., um sistema contínuo do tipo viga acoplada tanto em molas lineares quanto não lineares e um rotor composto por eixo, mancais e discos. Nesse sentido, será verificada a influência de incertezas nos sistemas estudados, utilizando para isto, o método HCL, MEFE e a expansão de KL. O estudo estocástico em questão será empregado na construção do projeto ótimo robusto para o problema do rotor já apresentado.

[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.

[pt] A definição da estratégia de produção de petróleo é uma tarefa muito importante que consiste em um processo bastante complexo devido à grande quantidade de variáveis envolvidas. Estas variáveis estão relacionadas com características geológicas, fatores econômicos e decisões como alocação de poços, número de poços produtores e injetores, condições operacionais e cronograma de abertura de poços. No contexto da otimização da produção de petróleo, o objetivo é encontrar a melhor configuração de poços que contribua para maximizar, na maioria dos casos, o valor presente líquido (VPL). Esse valor é calculado, principalmente, a partir do óleo, gás e água produzidos do campo, que são encontrados através do uso do simulador de reservatórios. Porém, vários parâmetros e variáveis devem ser prefixados e inseridos no sistema de simulação para que esses valores de produção sejam previstos. Esse processo geralmente exige um alto custo computacional para modelar as transferências de fluidos dentro do reservatório simulado. Assim, o uso de simuladores pode ser substituído por aproximadores. Neste estudo, eles são desenvolvidos através da Programação Genética Linear com Inspiração Quântica, uma técnica da Computação Evolucionária. Esses aproximadores serão utilizados para substituir a simulação do reservatório no processo de otimização da localização e tipo de poços a serem perfurados em um campo petrolífero. Para a construção dos proxies de reservatório, as amostras, originadas utilizando a técnica do Hipercubo Latino, foram simuladas para a criação da base de dados. O modelo para criação de aproximadores foi testado em um reservatório sintético. Dois tipos de otimização foram realizados para a validação do modelo. A primeira foi a otimização determinística e a segunda uma otimização sob incerteza considerando três diferentes cenários geológicos, um caso onde o número de simulações é extremamente alto. Os resultados encontrados apontam que o modelo para a criação de proxies consegue bom desempenho na substituição dos simuladores devido aos baixos erros encontrados e na considerável redução do custo computacional. / [en] The purpose of oil production strategy in the context of production optimization is to find the best configuration of wells that contributes to maximizing the Net Present Value. This value is calculated mainly from the amount of oil, gas, and water recovered from the field, which can be obtained by running the reservoir simulator. However, many parameters and variables must be prefixed and inserted into the simulation system in order to generate these production values. This process involves a high computational cost for modeling the transfer of fluids within the simulated reservoir. Thus, the use of simulators may be substituted by approximators. In this thesis, we aim to develop these approximators using Quantum-Inspired Linear Genetic Programming, a technique of Evolutionary Computation. These approximators were used to replace the reservoir simulation in the process of optimizing the location and type of wells to be drilled in a field. For the reservoir proxies construction, samples obtained from the technique of Latin Hypercube were simulated to create the database. The model for creating approximators was tested on a synthetic reservoir. Two types of optimization were performed to validate the model. The first was a deterministic optimization and the second an optimization under uncertainty considering three different geological settings, a situation in which the number of simulations becomes extremely high. Our results indicated that the model for the creation of proxies achieves a satisfactory performance in the replacement of simulators due to low levels of errors and a considerable reduction of the computational cost.