[pt] Esta dissertação investiga a aplicação de Algoritmos
Genéticos e de Co-Evolução Cooperativa na otimização da
programação da produção em refinarias de petróleo.
Refinarias de petróleo constituem um dos mais importantes
exemplos de plantas contínuas multiproduto, isto é, um
sistema de processamento contínuo gerador de múltiplos
produtos simultâneos. Uma refinaria, em geral, processa
um
ou mais tipos de petróleo, produzindo uma série de
produtos derivados, como o GLP (gás liquefeito de
petróleo), a nafta, o querosene e o óleo diesel. Trata-
se
de um problema complexo de otimização, devido ao número
e
diversidade de atividades existentes e diferentes
objetivos. Além disso, neste problema, algumas
atividades
dependem de que outras atividades já tenham sido
planejadas para que possam então ser planejadas. Um caso
típico é o das retiradas de produtos de uma unidade de
processo, que dependem de que a carga já tenha sido
planejada, assim como em qual campanha a unidade estará
naquele instante. Por isso, o uso de modelos
revolucionários convencionais, como os baseados em
ordem,
pode gerar muitas soluções inválidas, que deverão ser
posteriormente corrigidas ou descartadas, comprometendo
o
desempenho e a viabilidade do algoritmo. O objetivo do
trabalho foi, então, desenvolver um modelo evolucionário
para otimizar a programação da produção (scheduling),
segundo objetivos bem definidos, capaz de lidar com as
restrições do problema, gerando apenas soluções viáveis.
O trabalho consistiu em três etapas principais: um
estudo
sobre o refino de petróleo e a programação da produção
em
refinarias; a definição de um modelo usando algoritmos
genéticos e co-evolução cooperativa para otimização da
programação da produção e a implementação de uma
ferramenta para estudo de caso. O estudo sobre o refino
e
a programação da produção envolveu o levantamento das
várias etapas do processamento do petróleo em uma
refinaria, desde o seu recebimento, destilação e
transformação em diversos produtos acabados, que são
então
enviados a seus respectivos destinos. Neste estudo,
também
foi levantada a estrutura de tomada de decisão em uma
refinaria e seus vários níveis, diferenciando os
objetivos
destes níveis e explicitando o papel da programação da
produção nesta estrutura. A partir daí, foram estudadas
em
detalhes todas as atividades que normalmente ocorrem na
refinaria e que são definidas na programação, e seus
papéis na produção da refinaria. A decisão de quando e
com
que recursos executar estas atividades é o resultado
final
da programação e, portanto, a saída principal do
algoritmo.
A modelagem do algoritmo genético consistiu inicialmente
em um estudo de representações utilizadas para problemas
de scheduling. O modelo coevolucionário adotado
considera
a decomposição do problema em duas partes e,portanto,
emprega duas populações com responsabilidades
diferentes:
uma é responsável por indicar quando uma atividade deve
ser planejada e a outra é responsável por indicar com
quais recursos essa mesma atividade deve ser realizada.
A
primeira população teve sua representação baseada em um
modelo usado para problemas do tipo Dial-A-Ride (Moon et
al, 2002), que utiliza um grafo para indicar à função de
avaliação a ordem na qual o planejamento deve ser
construído. Esta representação foi elaborada desta forma
para que fosse levada em conta a existência de
restrições
de precedência (atividades que devem ser planejadas
antes
de outras), e assim não fossem geradas soluções
inválidas
pelo algoritmo. A segunda população, que se
responsabiliza
pela alocação dos recursos para a execução das
atividades,
conta com uma representação onde os operadores genéticos
podem atuar na ordem de escolha dos recursos que podem
realizar cada uma das atividades. Finalmente, des / [en] This work investigates the use of Genetic Algorithms and
Cooperative Coevolution in refinery scheduling
optimization. Oil refineries are one of the most important
examples of multiproduct continuous plants, that is, a
continuous processing system that generates a number of
products simultaneously. A refinery processes various
crude oil types and produces a wide range of products,
including LPG (liquefied petroleum gas), gasoline,
kerosene and diesel. It is a complex optimization problem,
mainly due to the number of different tasks involved and
different objective criteria. In addition, some of the
tasks have precedence constraints that require other tasks
to be scheduled first. For example, in order to schedule a
task that transfers one of the yields of a certain crude
distillation unit, both the task that feeds the crude oil
into the unit and the task that sets the unit`s current
operation mode must already be scheduled. Therefore,
applying traditional evolutionary models, like the order-
based ones, can create many infeasible solutions that will
have to be corrected or rejected later on, thereby
jeopardizing the algorithm performance and feasibility.
The main goal was the development an evolutionary model
satisfying well-defined objectives, which would optimize
production scheduling and address the various constraints
entailed in the problem, thus generating only feasible
solutions. This work consisted on three main steps: a
survey on crude oil refining and refinery scheduling; the
development of a cooperative coevolutionary model to
optimize the refinery scheduling and the development of a
software tool for case studies. The study about refining
and scheduling involved gathering information about the
existent processes in a refinery, starting from the
arrival of crude oil, its distillation and transformation
into several products and, finally, the delivery of these
products to their respective destination. The levels of
decision making in a refinery were surveyed too, in order
to identify the main goals for each one, and how the
scheduling level fits into the structure as whole. Then,
all the routine scheduling tasks and their roles in a
refinery were carefully studied. The decision of when and
how to assign those tasks is the final output of the
scheduling task, so it must be the main output of the
algorithm too. The development of the evolutionary model
consisted of a survey on some of the most common
evolutionary approaches to scheduling. The adopted
coevolutionary model breaks the problem down into two
parts, thus using two species with different
responsibilities: One is responsible for deciding when a
task should be scheduled, while the other is responsible
for assigning a resource for this task. The first species
representation was based on a model used for the Dial-a-
Ride (Moon et al, 2002) kind of problems, and uses a graph
to help the fitness evaluation function find the right
order in which to schedule the tasks. This representation
was devised in such a way that the precedence constraints
were satisfied and no infeasible solutions were generated.
The representation of the second species, which assigns
resources for the tasks, let genetic operators change the
selection order when picking a resource for a task.
Finally, a software tool was developed to be used for
implement this model and for performing a case study. This
case study should comprise all the needed characteristics,
in order to test the quality of the representation as well
as evaluate the results. A simple refinery was designed,
containing all equipment types, tasks and constraints
found in a real-world refinery. The constraints mentioned
are the precedence constraints, handled by the graph used
by the first species, plus other operational constraints
found in refinery scheduling. It was possible, then, to
see the decoding of chromosomes into feasible solutions,
always satisfying all the constraints. Several tests
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:5969 |
| Date | 28 February 2005 |
| Creators | LEONARDO MENDES SIMAO |
| Contributors | MARCO AURÉLIO CAVALCANTI PACHECO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0099 seconds