[pt] O presente trabalho tem como foco o estudo do Sistema Petrobras, no que
tange o planejamento estratégico dos investimentos da Companhia, sob a ótica
da cadeia integrada do petróleo. A partir de um dos modelos matemáticos mais
utilizados (e há mais tempo) na empresa, diversas decisões estratégicas de suma
importância são suportadas, de modo a maximizar seu resultado operacional ao
longo de um horizonte de tempo da ordem de 10 (dez) anos. Com embasamento
na literatura atual, evoluções são propostas e testadas no modelo matemático.
Primeiramente são introduzidas técnicas de programação estocástica em dois
estágios, onde as decisões de investimento são representadas por variáveis de
primeiro estágio; e a operação de todo o sistema – desde o refino até a
comercialização do petróleo e derivados, passando por toda a questão logística –
passa a fazer parte do segundo estágio, após a realização / revelação dos
parâmetros estocásticos. Em um segundo passo, técnicas de decomposição são
aplicadas para contornar eventuais limitações geradas pelo grande porte atingido
pelo modelo, que cresce proporcionalmente ao número de cenários envolvidos
na otimização. Os resultados mostram que o modelo estocástico começa a
esbarrar nestas limitações a partir da resolução de problemas com mais de 30
cenários. Por outro lado, apesar do tempo computacional consideravelmente
maior, o modelo decomposto chegou a resolver até 80 cenários, nos testes
realizados. / [en] This work focuses on the study of Petrobras, regarding the strategic
planning of the Company s investments, from an integrated oil supply chain
perspective. From one of the most widely used mathematical models in the
Company, several strategic decisions of great importance are supported, so as to
maximize its operating result over a time horizon of approximately 10 (ten)
years. Based in current literature, developments are proposed and tested in the
mathematical model. First, two-stage stochastic programming techniques are
introduced, where investment decisions are represented by first-stage variables;
and system s operation – from oil refining and sales to the entire logistics issue –
by second-stage variables, after realization of the stochastic parameters. In a
second step, decomposition techniques are applied to circumvent any large scale
limitations. The results show that the stochastic model starts to reach these
limitations in problems with 30 scenarios or more. On the other hand, despite the
considerably greater computational time, the decomposed model was able to
solve up to 80-scenarios problems, during the tests.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:37127 |
| Date | 25 February 2019 |
| Creators | JULIEN PIERRE CASTELLO BRANCO |
| Contributors | SILVIO HAMACHER |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.002 seconds