[pt] As técnicas de agrupamentos aplicadas a um grande número de cenários de
incerteza permitem a escolha de um conjunto reduzido, porém, representativo da
população de cenários completa. Em outras palavras, selecionar uma amostra que
contenha uma quantidade menor de elementos a ponto de reduzir suficientemente
o volume total de dados e obter ganhos significativos de eficiência no
processamento dos dados. Esta amostra deve, sobretudo, conseguir preservar as
características do processo estocástico que o originou. Com este intuito, o presente
trabalho propõe uma metodologia de seleção de cenários estocásticos utilizando o
modelo clássico de Cobertura de Conjuntos, inspirada no método forward selection
proposto por Heitsch e Romisch (2003). Aplicada na etapa de cálculo de demanda
estocástica de ferramentas e serviços para construção de poços marítimos de
exploração de petróleo, esta abordagem apresenta uma concepção de cenário
diferente da usada pelos autores. O conjunto de cenários consiste em cronogramas
de atividades gerados a partir da introdução de incertezas no planejamento de cada
atividade, sendo eles estáticos, independentes e com múltiplos atributos. Uma
análise de sensibilidade compara os resultados das demandas calculadas com os
cenários selecionados pelo Problema de Cobertura de Conjuntos (PCC) e a
demanda calculada com o conjunto universo de cenários. O PCC foi solucionado,
nesta aplicação, em sua versão clássica da literatura a partir de um algoritmo exato
e um heurístico. Os resultados apontam diferenças pouco representativas no
resultado final das demandas calculadas com cenários reduzidos e com o total de
cenários. A heurística, ainda que seja first solution, apresentou um resultado
satisfatório em relação ao ganho de desempenho versus confiabilidade, e indica o
potencial do método se aplicado em conjunto com algoritmos de metaheurística e
busca local. / [en] Clustering techniques applied to a large number of scenarios under
uncertainty allows the selection of a reduced, however, representative set of the
complete set of scenarios. In other words, it allows to select a sample that contains
a smaller amount of elements to the point of sufficiently reducing the total data
volume and obtaining efficiency gains in data processing. The challenge is that the
sample must, above all, be able to preserve the characteristics of the stochastic
process that originated it. To this end, this study proposes a methodology for
selecting stochastic scenarios using the classic Set Covering model, inspired by the
forward selection method proposed by Heitsch and Romisch (2003). Applied in the
calculating of stochastic demand for tools and services for the construction of
offshore oil exploration wells, this approach presents a different scenario
conception from the one used by the authors. The set of scenarios consists of
activity schedules generated from the introduction of uncertainties in the planning
of each activity, which are static, independent and with multiple attributes. A
sensitivity analysis compares the results of the demands calculated with the
scenarios selected by the Set Covering Problem (SCP) and the demand calculated
with all the universe of scenarios. The SCP was solved, in this application, in its
classic version using an exact algorithm and a heuristic algorithm. The results
appoint na unexpressive loss in the final result of the demand calculated with
reduced scenarios and with the complete set of scenarios. The simple first solution
heuristic presented a satisfactory result in relation to the performance gain versus
reliability, and indicates the potential of the method if solved with metaheuristic
and local search algorithms.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:54838 |
| Date | 20 September 2021 |
| Creators | ISABELLA FISCHER GUINDANI VIEIRA |
| Contributors | RAFAEL MARTINELLI PINTO, RAFAEL MARTINELLI PINTO, RAFAEL MARTINELLI PINTO, RAFAEL MARTINELLI PINTO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0026 seconds