A teoria de Compressive Sensing proporciona uma nova estratégia de aquisição e recuperação de dados com bons resultados na área de processamento de imagens. Esta teoria garante recuperar um sinal com alta probabilidade a partir de uma taxa reduzida de amostragem por debaixo do limite de Nyquist-Shanon. O problema de recuperar o sinal original a partir das amostras consiste em resolver um problema de otimização. O método de Gradiente Espectral Projetado é um método para minimizar funções suaves em conjuntos convexos que tem sido aplicado com frequência ao problema de recuperar o sinal original a partir do sinal amostrado. Este trabalho dedica-se ao estudo da aplicação do Método do Gradiente Espectral Projetado ao problema de Compressive Sensing. / The theory of compressive sensing has provided a new acquisition strategy and data recovery with good results in the image processing area. This theory guarantees to recover a signal with high probability from a reduced sampling rate below the Nyquist-Shannon limit. The problem of recovering the original signal from the samples consists in solving an optimization problem. The Spectral Projected Gradient (SPG) is a method to minimize continuous functions over convex sets which often has been applied to the problem of recovering the original signal from sampled signals. This work is dedicated to the study and application of the Spectral Projected Gradient method to Compressive Sensing problems.

A teoria de Compressive Sensing proporciona uma nova estratégia de aquisição e recuperação de dados com bons resultados na área de processamento de imagens. Esta teoria garante recuperar um sinal com alta probabilidade a partir de uma taxa reduzida de amostragem por debaixo do limite de Nyquist-Shanon. O problema de recuperar o sinal original a partir das amostras consiste em resolver um problema de otimização. O método de Gradiente Espectral Projetado é um método para minimizar funções suaves em conjuntos convexos que tem sido aplicado com frequência ao problema de recuperar o sinal original a partir do sinal amostrado. Este trabalho dedica-se ao estudo da aplicação do Método do Gradiente Espectral Projetado ao problema de Compressive Sensing. / The theory of compressive sensing has provided a new acquisition strategy and data recovery with good results in the image processing area. This theory guarantees to recover a signal with high probability from a reduced sampling rate below the Nyquist-Shannon limit. The problem of recovering the original signal from the samples consists in solving an optimization problem. The Spectral Projected Gradient (SPG) is a method to minimize continuous functions over convex sets which often has been applied to the problem of recovering the original signal from sampled signals. This work is dedicated to the study and application of the Spectral Projected Gradient method to Compressive Sensing problems.

Made available in DSpace on 2016-12-23T14:33:32Z (GMT). No. of bitstreams: 1 Joao Olavo Baiao de Vasconcelos.pdf: 325868 bytes, checksum: 0459e6ca76a321095f4fc0d37ab23f21 (MD5) Previous issue date: 2011-12-21 / Petroleum Engineer activity is constantly enrolled on a series of optimization problems on many contexts, as, for instance, defining efficient and optimized projects on petroleum reserves development. However, there is an extreme difficulty on resolution of exploration and production (P&E) optimization problems, since they are often complex, with high degree of nonlinearity, presenting high uncertain number, and huge computational cost involved. Among them, there is the problem of determining the best throughput distribution among the wells of a petroleum production platform that achieves the biggest financial profitability of an E&P project, here named Petroleum Well Throughput Optimization Problem (PWTOP). In order to deal with PWTOP, some continuous optimization algorithms that deals with linearity restrictions present on the problem were studied, that are the Derivative Free Optimization (DFO), the Generating Set Search (GSS), and the Differential Evolution (DE). DFO is a sequential algorithm, whereas GSS and DE are parallel algorithms. Two case studies are also presented that represents synthetic petroleum fields. The results show how the studied algorithms behave on dealing with PWTOP for the two case studies, comparing experimental results obtained on optimized financial values, execution times and amount of objective function evaluation. Concludes, lastly, that, for the simplest case study, GSS had the best result, and for the most complex case study, more like real reservoirs, DE stood out / A atividade de Engenharia de Petróleo está rotineiramente envolvida em uma série de problemas de otimização em variados contextos, como definir projetos otimizados e eficientes na produção e no desenvolvimento de reservas de petróleo. Entretanto, há uma extrema dificuldade na resolução de problemas de otimização de exploração e produção (E&P), uma vez que são problemas frequentemente complexos, com elevado grau de não-linearidade, que apresentam alto número de incertezas e com enorme custo computacional envolvido. Dentre eles, está o problema de determinar a melhor distribuição de vazões entre os poços de uma plataforma de produção de petróleo capaz de resultar em um projeto de E&P de maior rentabilidade financeira, aqui denominado Problema de Otimização de Vazão de Poços de Petróleo (POVPP). Para tratar o POVPP, foram estudados alguns algoritmos de otimização contínua que possam lidar com as restrições lineares presentes no problema, que são o Otimização sem Derivadas (Derivative Free Optimization DFO), o Busca por Conjunto Gerador (Generating Set Search GSS) e o Evolução Diferencial (Differential Evolution DE). O DFO é um algoritmo sequencial, enquanto que o GSS e o DE são algoritmos paralelos. Também são apresentados dois estudos de caso que representam campos de petróleo sintéticos. Os resultados mostram como os algoritmos estudados se comportam ao tratar o POVPP para os dois estudos de caso, comparando-se dados obtidos de valores financeiros otimizados, tempos de execução e quantidade de avaliações da função objetivo. Conclui-se, por fim, que, para o estudo de caso simples, o GSS teve o melhor resultado, e para o estudo de caso mais complexo, mais semelhante a reservatórios reais, o DE se sobressaiu