No description available.

[pt] Os risers são importantes componentes na produção e exploração de petróleo e derivados. São responsáveis pelo transporte do óleo e gás encontrados no reservatório até a Unidade Estacionária de Produção (UEP) ou pela injeção de gás ou água no reservatório. A crescente demanda por esse produto faz com que a exploração seja feita em regiões com condições cada vez mais adversas. Tipicamente, um projeto deste porte exige um número muito grande de análises numéricas de elementos finitos e exigem uma experiência grande por parte do projetista a fim de obter uma solução viável. Esse desafio leva engenheiros a buscarem ferramentas consistentes e seguras que auxiliem nas etapas iniciais do projeto das configurações de risers e que sejam capazes de diminuir o número de análises totais exigidas. Uma dessas ferramentas é a utilização de métodos de otimização para obter de maneira consistente e segura os parâmetros que definem uma configuração. Este trabalho apresenta o método de Otimização Bayesiana, um método baseado em técnicas de aprendizado de máquina capaz de resolver problemas de otimização do tipo caixa-preta de maneira eficiente explorando o uso de aproximações analíticas da função objetivo, que se quer otimizar. O método é aplicado em diferentes estudos de casos visando validálo como capaz de resolver problemas de configuração de riser de maneira eficiente e consistente. Dentre os problemas aplicados estão diferentes tipos de configurações, diferentes casos realistas, mono-objetivo e multi-objetivo. / [en] Risers are an important component in the oil s production and exploration field. They are responsible for the oil and gas transportation from the reservoir to the floating unit or injection of gas or water into the reservoir. The increasing the demand for this product has lead projects to explore to areas in which conditions are harsher. Typically, such a large project demands a large number of numerical finite element analyses and a great expertise from the engineer in charge in order to obtain a viable solution. This challenge leads engineers in search of consistent and reliable tools that assist in the early stages of the riser configuration design and are capable of reducing the number of total analyses required. One of these tools is application of optimization methods to obtain in a consistent and reliable manner the parameters which define a configuration. This work presents the Bayesian Optimization method, a method based on machine learning techniques capable of efficiently solving so called black box problems by exploring analytical approximations of the objective function, the function to be minimized. The method is applied to different case studies aiming to validate it as capable of solving a wide variety of riser configuration problems in an efficient and consistent way. Among the problems applied are different types of configurations, different realistic cases, mono-objective and multi-objective.

[pt] A crescente demanda pela explotação de óleo em águas cada vez mais profundas representa um desafio para o projeto seguro e eficiente de risers. Tipicamente, o projeto deste elemento estrutural exige um elevado número de análises numéricas e, muitas vezes, se baseia na experiência do projetista, especificamente no que diz respeito à obtenção de uma configuração inicial estruturalmente viável. A automação de tarefas nas fases preliminares de projeto pode proporcionar uma maior eficiência e segurança na seleção de configurações viáveis, além de reduzir o tempo necessário para a realização desta tarefa. Este trabalho propõe uma ferramenta computacional para a otimização de configurações iniciais de risers, satisfazendo requisitos estruturais, operacionais e econômicos. A ferramenta se baseia no método Globalized Bounded Nelder-Mead (GBNM), que não requer o cálculo de gradientes, demanda poucas avaliações da função objetivo por iteração, ou seja, reduz o número de análises dinâmicas realizadas usando o Método dos Elementos Finitos, e permite a implementação de uma estratégia eficiente de paralelização do problema. Para validar e demonstrar a eficiência da ferramenta proposta, são apresentados estudos de caso que reproduzem as condições encontradas em fases iniciais de projetos de risers, bem como uma comparação dos resultados com os obtidos utilizando outros métodos de otimização conhecidos na literatura. / [en] The increasing demand for oil exploitation in deeper water represents a challenge for the safe and efficient design of risers. Typically, the design of this structural member requires a large number of numerical analyses and is often based on the designer’s experience, specifically with respect to obtaining a structurally feasible initial configuration. The automation of tasks in the preliminary stages of design can provide greater efficiency and safety in the selection of feasible configurations, in addition to reducing the time required to perform this task. This work proposes a computational tool to optimize initial riser configurations, satisfying structural, operational and economic requirements. The tool is based on the Globalized Bounded Nelder-Mead method (GBNM), which does not require the computation of gradients, it requires few evaluations of the objective function per iteration, i.e., it reduces the number of dynamic analyses performed using the Finite Element Method, and allows the implementation of an efficient strategy to parallelize the problem. In order to validate and demonstrate the efficiency of the proposed tool, case studies that reproduce the conditions found during the initial stages of the design of risers are presented, as well as a comparison of the results with those obtained using other optimization methods established in the literature.