[pt] Nesta dissertação é desenvolvido um modelo para previsão de curto prazo da demanda mensal de gasolina automotiva no Brasil. A metodologia usada consiste em, a partir de uma análise exploratória dos dados, procurar construir um modelo usando uma estratégia bottom-up, ou seja, parte-se de um modelo simples e processa-se seu refinamento até encontrar um modelo apropriado que mais se adequa à realidade. Partiu-se então de um modelo autoprojetivo indo até uma formulação de Redes Neurais passando por um modelo de regressão dinâmica. Os modelos são então comparados segundo alguns critérios, basicamente no que tange à sua eficiência preditiva. Conclui-se ao final sobre a eficiência de se conjugar modelos estatísticos clássicos (como Box & Jenkins e Regressão Dinâmica) com as chamadas Redes Neurais que, por sua vez, propiciaram resultados muito bons em relação à otimização das previsões. Isto é altamente desejável na modelagem de séries temporais e, em particular, neste trabalho, na previsão de curto prazo de gasolina automotiva. / [en] In this dissertation a short term model to forecast automotive gasoline demand in Brazil is proposed. From the methodology point of view, data is analyzed and a model using a bottom-up strategy is developed. In other words, a simple model is improved step by step until a proper model that sits well the reality is found. Departuring from a univariate model it ends up in a neural network formulation, passing through dynamic regression models. The models obtained in this scheme are compared according to some criterion, mainly forecast accuracy. We conclude, that the efficiency of putting together classical statistics models (such as Box & Jenkins and dynamic regression) and neural networks improve the forecasting results. This results is highly desirable in modeling time series and, particularly, to the short term forecast of automotive gasoline, object of this dissertation.

[pt] Um bom gerenciamento logístico otimiza as atividades de transporte aéreo offshore, tornando-as mais eficientes e diminuindo custos para o contratante. Uma série de decisões estratégicas, por exemplo a contratação de helicópteros e os investimentos em infraestrutura aeroportuária, são dependentes da previsão de demanda de passageiros. O presente trabalho analisou a demanda de transporte aéreo offshore da Petrobras para o Estado do Rio de janeiro, à luz das principais teorias de séries temporais hierárquicas, com o objetivo de identificar qual destas é mais adequada para um horizonte de previsão de doze meses à frente. Foram analisadas as estratégias de single-level approach (bottom-up e top-down), de reconciliação ótima (ordinary least squares e weighted least squares) e de minimização de traço (covariância da própria amostra e valendo-se do shrink estimator), todas utilizando como método de previsão base o amortecimento exponencial. Foram utilizados dados dos anos de 2014 até 2019 de todos os aeródromos usados pela Petrobras no Estado do Rio de Janeiro: Farol de São Tomé, Campos dos Goytacazes, Macaé, Cabo Frio e Jacarepaguá. Os resultados foram avaliados em três métricas distintas de acurácia: RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error) e MASE (Mean Absolute Scaled Error), sendo aplicados para os dois níveis existentes de agregação. Os resultados foram ranqueados para cada técnica, nas três métricas citadas anteriormente, sendo, então, consolidados através de uma média aritmética simples. Ao cabo, concluiu-se que o método de minimização de traço sample covariance é o mais preciso em termos globais. / [en] Good logistical management optimizes offshore air transport activities, making them more efficient and reducing costs for the contractor.A series of strategic decisions, such as hiring helicopters and investments in airport infrastructure are dependent on forecasting passenger demand. The present work consisted of analyzing the demand for Petrobras offshore air transport to the State of Rio de Janeiro, based on the main theories of hierarchical time series, with the objective of identifying which of these is more suitable for a twelve-month steps ahead forecast. The strategies of single-level approach (bottom-up and top-down), optimal reconciliation (ordinary least squares and weighted least squares) and trace minimization (sample covariance and shrink estimator) were analyzed, all using exponential smoothing as the basic forecasting method. Data from 2014 to 2019 were gathered for all aerodromes used by Petrobras in the State of Rio de Janeiro: Farol de São Tomé, Campos dos Goytacazes, Macaé, Cabo Frio and Jacarepaguá. The results were evaluated with three different metrics of accuracy: RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error) and MASE (Mean Absolute Scaled Error), applied to the two existing levels of aggregation. The results were ranked for each technique, in the three metrics mentioned above, and then consolidated using a simple arithmetic mean. The overall results indicated that sample covariance trace minimization method provided the most accurate results.

[pt] Tree ensemble methods são reconhecidamente métodos de sucesso em problemas de aprendizado supervisionado, bem como são comumente descritos como métodos resistentes ao overfitting. A proposta deste trabalho é investigar essa característica a partir de modelos que extrapolem essa resistência. Ao prever uma instância de exemplo, os métodos de conjuntos são capazes de identificar a folha onde essa instância ocorre em cada uma das árvores. Nosso método então procura identificar uma nova função sobre todas as folhas deste conjunto, minimizando uma função de perda no conjunto de treino. Uma das maneiras de definir conceitualmente essa proposta é interpretar nosso modelo como um gerador automático de features ou um otimizador de predição. / [en] In supervised learning, tree ensemble methods have been recognized for their high level performance in a wide range of applications. Moreover, several references report such methods to present a resistance of to overfitting. This work investigates this observed resistance by proposing a method that explores it. When predicting an instance, tree ensemble methods determines the leaf of each tree where the instance falls. The prediction is then obtained by a function of these leaves, minimizing a loss function or an error estimator for the training set, overfitting in the learning phase in some sense. This method can be interpreted either as an Automated Feature Engineering or a Predictor Optimization.

[pt] Prever precisamente a produção de óleo é essencial para o planejamento e administração de um reservatório. Entretanto, prever a produção de óleo é um problema complexo e não linear, devido a todas as propriedades geofísicas que com pequenas variações podem resultar em differentes cenários. Além disso, todas as decisões tomadas durante a exploração do projeto devem considerar diferentes algoritmos para simular dados, fornecer cenários e conduzir a boas deduções. Para reduzir as incertezas nas simulações, estudos recentes propuseram o uso de algoritmos de aprendizado de maquina para solução de problemas da engenharia de reservatórios, devido a capacidade desses modelos de extrair o maxiomo de informações de um conjunto de dados. Essa tese propôe o uso ed duas tecnicas de machine learning para prever a produção diaria de óleo de um reservatório. Inicialmente, a produção diária de óleo é considerada uma série temporal, é pré-processada e reestruturada como um problema de aprendizado supervisionado. O modelo Random Forest, uma extensão das arvores de decisão muito utilizado em problemas de regressão e classificação, é utilizado para predizer um passo de tempo a frente. Entretanto, as restrições dessa abordagem nos conduziram a um modelo mais robusto, as redes neurais recorrentes LSTM, que são utilizadas em varios estudos como uma ferramenta dee aprendizado profundo adequada para modelagem de séries temporais. Várias configurações de redes LSTM foram construidas para implementar a previsão de um passo de tempo e de multiplos passos de tempo, a pressão do fundo de poço foi incorporada aos dados de entrada. Para testar a eficacia dos modelos propostos, foram usados quatro conjunto de dados diferentes, três gerados sintéticamente e um conjunto de dados reais do campo de produção VOlve, como casos de estudo para conduzir os experimentos. Os resultados indicam que o Random Forest é suficiente para previsões de um passo de tempo da produção de óleo e o LSTM é capaz de lidar com mais dados de entrada e estimar multiplos passos de tempo da produção de óleo. / [en] Precisely forecasting oil field performance is essential in oil reservoir planning and management. Nevertheless, forecasting oil production is a complex nonlinear problem due to all geophysical and petrophysical properties that may result in different effects with a bit of change. Thus, all decisions to be made during an exploitation project must consider different efficient algorithms to simulate data, providing robust scenarios to lead to the best deductions. To reduce the uncertainty in the simulation process, recent studies have efficiently introduced machine learning algorithms for solving reservoir engineering problems since they can extract the maximum information from the dataset. This thesis proposes using two machine learning techniques to predict the daily oil production of an offshore reservoir. Initially, the oil rate production is considered a time series and is pre-processed and restructured to fit a supervised learning problem. The Random Forest model is used to forecast a one-time step, which is an extension of decision tree learning, widely used in regression and classification problems for supervised machine learning. Regardless, the restrictions of this approach lead us to a more robust model, the LSTM RNN s, which are proposed by several studies as a suitable deep learning technique for time series modeling. Various configurations of LSTM RNN s were constructed to implement single-step and multi-step oil rate forecasting and down-hole pressure was incorporated to the inputs. For testing the robustness of the proposed models, we use four different datasets, three of them synthetically generated and one from a public real dataset, the Volve oil field, as a case study to conduct the experiments. The results indicate that the Random Forest model could sufficiently estimate the one-time step of the oil field production, and LSTM could handle more inputs and adequately estimate multiple-time steps of oil production.

[pt] Os mecanismos geradores de pressão de poros em subsuperfície têm sido alvo de diversas pesquisas ao longo dos anos. A identificação prévia de zonas de pressão anômalas auxilia na redução do tempo não produtivo (NPT), evitando paralisações, bem como na prevenção de acidentes durante a etapa de perfuração do poço de petróleo. Nesse contexto, este trabalho estuda métodos de previsão de pressão de poros a partir de perfis petrofísicos e de parâmetros de perfuração. Com este objetivo, é apresentada uma revisão bibliográfica abordando tanto os conceitos fundamentais quanto os métodos de previsão de pressão de poros existentes. De modo geral, as estimativas de pressão de poros podem ser divididas em três etapas: (1) antes da perfuração, onde são utilizados perfis petrofísicos de poços de correlação para estimar a pressão de poros; (2) durante a etapa de execução do poço, na qual geralmente são usados os parâmetros de perfuração, além dos eventos de perfuração identificados, e quando disponíveis, as ferramentas de perfilagem em tempo real e dados de pressão; e (3) finalmente na etapa pós-perfuração, onde são utilizados os perfis a cabo, os possíveis perfis de Logging While Drilling (LWD), os eventos de perfuração e os dados de tomadas de pressão na retroanálise. Esses dados são usados para calibrar a pressão de poros estimada previamente para o poço e alimentar a base de dados de poços de petróleo perfurados em uma certa região. Neste trabalho foram realizados estudos de caso, com a realização de estimativas de curvas de pressão de poros, que foram comparadas aos valores de testes de pressão de poços, quando disponíveis. Além dos testes de pressão, também podem ser utilizados eventos indicadores de pressão de poros elevada na calibração, por exemplo o torque, arraste, cavings estilhados ao longo de formações argilosas, influxos em trechos permeáveis, entre outros indicativos. Foi constatado que os gradientes de pressão estimados pelo Método de Bowers apresentam resultados com maior oscilação dos valores quando comparados aos estimados pelo Método de Eaton. A boa aplicabilidade do Método de Eaton é devido ao fato de que na bacia em questão, o mecanismo de subcompactação mostrou-se predominante. Notou-se também que na comparação entre os métodos do expoente d e DEMSE, o resultado do gradiente de pressão de poros obtido através do expoente d está sujeito a menos interferências nas estimativas com relação ao método DEMSE. / [en] The mechanisms that generate pore pressure in subsurface have been the subject of several research over the years. The prior identification of anomalous pressure zones helps to reduce non-productive time (NPT), avoiding stoppages, as well as preventing accidents during the drilling stage of the oil well. In this context, this work studies pore pressure prediction methods from petrophysical profiles and drilling parameters. With this objective, a literature review is presented covering both the fundamental concepts and the existing pore pressure prediction methods. Generally speaking, pore pressure estimates can be divided into three steps: (1) before drilling, where petrophysical profiles from correlation wells are used to estimate pore pressure; (2) during the well execution stage, in which drilling parameters are generally used, in addition to identified drilling events, and when available, real-time logging tools and pressure data; and (3) finally in the post-drilling stage, where the cable profiles, the possible Logging While Drilling (LWD) profiles, the drilling events and the pressure tapping data in the back analysis are used. This data is used to calibrate the previously estimated pore pressure for the well and feed the database of oil wells drilled in a certain region. In this work, case studies were carried out, with estimates of pore pressure curves, which were compared to the values of well pressure tests, when available. In addition to pressure tests, events that indicate high pore pressure can also be used in calibration, for example torque, drag, chipped cavings along clayey formations, inflows in permeable stretches, among other indicators. It was found that the pressure gradients estimated by the Bowers Method shows greater oscillation of the values when compared to those estimated by the Eaton Method. The good applicability of the Eaton Method is related to the subcompaction mechanism predominant in the studied basin. It was also noticed that in the comparison between the Exponent d and DEMSE methods, the result of the pore pressure gradient obtained through the Exponent d is subject to less interference in the estimates in relation to the DEMSE method.

[pt] Existe consenso entre os pesquisadores de que o modelo de séries temporais não é adequado para previsão de peças de reposição. Entretanto, a maioria das ferramentas de previsão existentes no mercado emprega o modelo de séries temporais. Este trabalho apresenta a distribuição de Poisson como alternativa para a previsão de estoque de peças eletrônicas de reposição. A partir de noções básicas de gestão de estoques utilizando séries temporais e dos conceitos de confiabilidade, disponibilidade e do Processo de Poisson é proposto um modelo alternativo. Com o uso de exemplos reais são apresentados os resultados da aplicação do modelo proposto e a comparação com o modelo SAGA, que utiliza séries temporais. A principal característica do modelo proposto é o uso da distribuição de Poisson e a Taxa de Falhas real como principais parâmetros de cálculo. A análise dos resultados mostrou que é possível reduzir os erros de previsão, o custo de estoque e o número de pedidos não atendidos, com conseqüente aumento da Disponibilidade Operacional. / [en] There is a consensus that time series model is not appropriate in forecasting replacement parts. However most of market used forecasting tools are time series models. This work presents Poisson distribution as an alternative to forecast replacement parts on electronic equipments. From basic stock management notions, using time series and trust concepts of reliability, availability, and Poisson Process, an alternative model is proposed. Using real examples, the result from proposed model and its comparison to SAGA model, which is based on time series, is presented. The major characteristic of the proposed model is the application of Poisson distribution, and the real faults rate as the main calculus parameters. The analyses results have shown that is possible to reduce forecasting errors, therefore the stock cost, and the reduction of back orders amount, increasing the Operational availability.

[pt] O gás natural liquefeito (GNL) tem importante papel na cadeia de suprimento de gás natural e energia elétrica no país. No Brasil, o produto importado visa prioritariamente o atendimento da demanda termelétrica para este insumo. O modelo de geração termelétrico é flexível e a característica principal deste modelo é a necessidade de se garantir uma oferta de combustível flexível para usinas que deverão suprir uma demanda termelétrica igualmente flexível. O objetivo deste trabalho é modelar e avaliar o desempenho de um modelo causal de regressão dinâmica em previsões de demandas de GNL, de longo prazo, para o atendimento das usinas termo-elétricas a gás natural e comparar a capacidade preditiva com modelos tradicionais univariados, vastamente discutidos na literatura, como o ARIMA e o amortecimento exponencial. Foram estabelecidos cenários da variável explicativa a fim de avaliar como tais cenários influenciam a demanda do GNL. O produto desenvolvido nessa dissertação mostrou a viabilidade dos modelos causais serem utilizados como ferramenta para a simulação da demanda de GNL considerando cenários das variáveis causais What if analysis. / [en] Liquefied natural gas (LNG) plays an important role in the country s natural gas and electricity supply chain. In Brazil, the imported product primarily targets the supply of thermoelectric demand for this input. The thermoelectric generation model is flexible and the main characteristic of this model is the need to guarantee a flexible fuel supply for plants that must meet an equally flexible thermoelectric demand. The objective of this work is modeling and evaluate the performance of a causal dynamic regression model in long-term LNG demand forecasts, for supplying of natural gas thermoelectric plants and to compare the predictive capacity with traditional models widely discussed in the literature, such as the ARIMA and the dynamic regression model. Scenarios of the explanatory variable were established in order to evaluate how the explanatory variables influences LNG demand. The product developed in this dissertation showed the viability of causal models to be used as a tool for the simulation of LNG demand considering scenarios of the causal variables. What if analysis.

[pt] Dado o recente aumento da adoção de fontes renováveis de energia, é essencial reavaliar os sistemas tradicionais de energia. A intermitência pode causar diversos problemas ligados à qualidade e eficiência energética. O objetivo desta dissertação de mestrado é desenvolver uma ferramenta capaz de subsidiar modelos de previsão solar para aplicações visando a melhoria da operação em tempo real. O atual paradigma de previsão solar sub-horária consiste em usar imagens celestiais para prever a cobertura nebulosa para curtos horizontes temporais. Visando desenvolver um modelo mais exato, é necessária a utilização de componentes determinísticos, como a temperatura e o ângulo de incidência dos raios solares, em conjunto com a modelagem dos efeitos estocásticos das nuvens. Visto que o objetivo da previsão sub-minuto é permitir que se lide com variações de alta frequência, os dados devem possuir informação condizente com estas frequências. Por esse motivo foi feita a coleta de dados por exclusão. O sistema captura dados a cada 1 s e, quando detecta uma mudança suficientemente grande na potência do painel, salva essa informação, 10 s para trás até 4 s à frente da perturbação detectada. Os dados, depois de pré-processados, foram usados para treinar uma rede neural para determinar a relevância dos dados. Com cuidadosa seleção de atributos e arquitetura de rede, o modelo apresentou boa regressão com R2 maior que 0.93 para ambas variáveis testadas com horizonte de 60 s à frente. Concluindo, portanto, que os dados obtidos são relevantes para previsões de até 60 s à frente. / [en] The rising adoption of renewable energy sources means we must turn our eyes to limitations in traditional energy systems. Intermittency, if left unaddressed, may lead to several power quality and energy efficiency issues. The objective of this work is to develop a working tool to support PV energy forecast models for real-time operation applications. The current paradigm of intra-hour solar power forecasting is to use image-based approaches to predict the state of cloud composition for short time-horizons. For a more accurate model, it is also necessary to use deterministic components such as temperature and angle of incidence on the panels in addition to the stochastic effect of clouds. Since the objective of intra-minute forecasting is to address high-frequency intermittency, data must provide information on and surrounding these events. For that purpose, acquisition by exception was chosen as the guiding principle. The system performs power measurements at 1 Hz frequency and whenever it detects variations over a certain threshold, it saves the data 10 s before and 4 s after the detection point. After post-processing, this data was fed into a multilayer perceptron neural network to determine its relevance to the forecasting problem. With a thorough selection of attributes and network structures, the results show very low error with a normalized good fitting with R2 greater than 0.93 for both input variables tested with a time horizon of 60 s. In conclusion, the data provided by the acquisition system yielded relevant information for forecasts up to 60 s ahead.

[pt] O setor energético brasileiro passou por transformações significativas, destacando o papel crucial do gás natural para garantir a segurança energética diante da transição para fontes menos dependentes de combustíveis fósseis. A previsão da demanda de gás natural é essencial para a gestão eficiente do setor. Enquanto a literatura tem se concentrado na previsão de demanda de eletricidade, há uma lacuna em estudos sobre modelagem e previsão da demanda de gás natural, especialmente em contextos industriais e de médio/longo prazo. A necessidade de modelos mais precisos e abrangentes para prever a demanda de gás natural é evidente a partir da análise dos estudos existentes. Dessa forma, o objetivo deste trabalho é abordar uma análise comparativa da previsão de demanda de gás natural, por meio de modelos sugeridos na literatura recente de séries temporais, com aplicação no software R, para dados diários e semanais de consumo de gás natural, obtidos dos Relatórios de Movimentação de Gás Natural em Gasodutos de Transporte, divulgados mensalmente pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis, no período de 2021 a 2023. Os modelos fornecem as previsões para uma amostra teste de trinta dias futuros para dados diários e de quatro semanas para dados semanais e é realizada uma análise comparativa fora da amostra com base em métricas de desempenho, para identificar o modelo mais adequado para a série de dados. Ao final do estudo, os modelos de previsão utilizando redes neurais e tbats (transformação Box-Cox, erros ARMA, tendência e componentes sazonais trigonométricas) foram aqueles que demonstraram melhor desempenho para dados diários, enquanto o método de decomposição com modelagem autorregressiva e ajuste sazonal (stlar) e o seasonal naive method (método ingênuo sazonal) foram os que apresentaram melhor desempenho para as séries temporais em base semanal. / [en] The Brazilian energy sector has undergone significant transformations, highlighting the crucial role of natural gas in ensuring energy security in the face of the transition to sources less dependent on fossil fuels. Forecasting natural gas demand is essential for efficient management of the sector. While the literature has focused on forecasting electricity demand, there is a gap in studies on modeling and forecasting natural gas demand, especially in industrial and medium/long-term contexts. The need for more accurate and comprehensive models to forecast natural gas demand is evident from the analysis of existing studies. Therefore, the objective of this work is to address a comparative analysis of natural gas demand forecasting, using models suggested in recent time series literature, with application in the R software, for daily and weekly natural gas consumption data, obtained of the Natural Gas Movement Reports in Transport Gas Pipelines, released monthly by the National Agency for Petroleum, Natural Gas and Biofuels, in the period from 2021 to 2023. The models provide forecasts for a test sample of thirty days in the future for daily and four weeks for weekly data and an out-of-sample comparative analysis is performed based on performance metrics to identify the most suitable model for the data series. At the end of the study, the forecast models using neural networks and tbats (Box-Cox transformation, ARMA errors, trend and trigonometric seasonal components) were those that demonstrated the best performance for daily data, while the decomposition method with autoregressive modeling and seasonal adjustment (stlar) and the seasonal naive method were the ones which showed better performance for time series on a weekly basis.

[pt] A variabilidade das fontes de energia renovável, como energia eólica, apresenta um desafio significativo para o operador do sistema elétrico, em especial para o médio prazo (de horas a dias à frente). Isos porque é um período crítico para tomada de decisões do setor, sendo influenciado tanto por dados recentes quanto por padrões mais amplos. O atual estudo propõe a utilização de uma rede convolucional para gerar cenários para as componentes u- (latitudinal) e v- (longitudinal) do vento, utilizando o algoritmo Redes Adversárias Generativas Condicionais para treinamento. O modelo gerador proposto foi comparado com o estado da arte para previsão meteorológica, um sistema de previsão numérica. Os resultados mostram que o modelo - tendo um custo computacional inferior, menos informações de entrada e estabilidade de longo prazo similar - foi capaz de superar o benchmark em um quarto dos meses do conjunto de teste na previsão de duas semanas à frente (28 passos de 12 horas). Além disso, as medianas das séries geradas são estatisticamente iguais às previstas pelo estado da arte em 71.97 por cento dos casos. / [en] The variability of renewable energy sources, such as wind power, presents a significant challenge for grid operators in maintaining operational stability. This is specially true to the medium-term (from hours to days ahead), which is both influenced by recent past data and broader trends and heavily influences decision making. This research proposes a Convolutional Generator Network conditioned on the previous step of u- (latitudinal) and v- (longitudinal) wind speed components to generate wind speed scenarios using the Conditional Generative Adversarial Networks training algorithm. The model is compared to the state of the art in weather forecasting, Numerical Weather Prediction Systems. The proposed generator model outperforms the benchmark for a forth of the months in the test dataset when predicting over two weeks (28 12-hourly steps) starting from a single data point with much lower computational cost, less input data and similar long-term stability. Additionally, its forecasts are statistically equal to the state-of-the-art in 71.97 percent of series.