Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA – CT CENTRO DE CIÊNCIAS EXATAS E DA TERRA – CCET PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO - PPGCEP DISSERTAÇÃO DE MESTRADO SISTEMA INTELIGENTE PARA APOIO À DECISÃO NA OPERAÇÃO DE UMA MALHA DE ESCOAMENTO DE PETRÓLEO Roberto Evelim Penha Borges Orientador: Prof. Dr. Adrião Duarte Dória Neto Co-orientador: Prof. Dr. Vicente Delgado Moreira Natal / RN, Julho 2013 Catalogação da Publicação na Fonte. UFRN / SISBI / Biblioteca Setorial Centro de Ciências Exatas e da Terra – CCET. Borges, Roberto Evelim Penha. Sistema inteligente para apoio à decisão na operação de uma malha de escoamento de petróleo / Roberto Evelim Penha Borges. - Natal, 2013. 54 f. : il. Orientador: Prof. Dr. Adrião Duarte Dória Neto. Co-orientador: Prof. Dr. Vicente Delgado Moreira. Dissertação (Mestrado) – Universidade Federal do Rio Grande do Norte. Centro de Ciências Exatas e da Terra. Programa de Pós-Graduação em Ciência e Engenharia do Petróleo. 1. Sistemas inteligentes – Dissertação. 2. Redes de escoamento de petróleo – Dissertação. 3. Lógica fuzzy – Dissertação. I. Dória Neto, Adrião Duarte. II. Moreira, Vicente Delgado. III. Título. RN/UF/BSE-CCET CDU: 004.89 Sistema Inteligente para Apoio à Decisão na Operação de uma Malha de Escoamento de Petróleo Roberto Evelim Penha Borges Natal / RN, Julho de 2013 Roberto Evelim Penha Borges Sistema Inteligente para Apoio à Decisão na Operação de uma Malha de Escoamento de Petróleo Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Ciência e Engenharia de Petróleo PPGCEP, da Universidade Federal do Rio Grande do Norte, como parte dos requisitos para obtenção do título de Mestre em Ciência e Engenharia de Petróleo. Aprovado em ____ de ______________ de 2013. ____________________________________ Prof. Dr. Adrião Duarte Dória Neto Orientador – UFRN ____________________________________ Prof. Dr. Vicente Delgado Moreira Co-orientador – Petrobras ____________________________________ Prof. Dr. Luiz Affonso Henderson Guedes de Oliveira Membro Interno – UFRN ____________________________________ Prof. Dr. Marcos Vitor Barbosa Machado Membro Externo – Petrobras BORGES, Roberto Evelim Penha – Sistema Inteligente para Apoio à Decisão na Operação de uma Malha de Escoamento de Petróleo. Dissertação de Mestrado, UFRN, Programa de Pós- Graduação em Ciência e Engenharia de Petróleo. Área de Concentração: Pesquisa e Desenvolvimento em Ciência e Engenharia de Petróleo. Linha de Pesquisa: Automação na Indústria de Petróleo e Gás Natural, Natal – RN, Brasil. Orientador: Prof. Dr. Adrião Duarte Dória Neto Co-orientador: Prof. Dr. Vicente Delgado Moreira RESUMO As redes de escoamento da produção de petróleo são sistemas comumente descentralizados, inerentemente complexos. Restrições operacionais rígidas são aplicadas para evitar problemas graves, como desastres ambientais ou perdas de produção. Este trabalho descreve um sistema inteligente para auxiliar as decisões na operação dessas malhas, propondo um escalonamento das bombas das estações de transferência que a compõem. O sistema inteligente é formado por blocos, que se interligam para processar a informação e gerar as sugestões para o operador. O bloco principal do sistema utiliza a lógica fuzzy para prover um controle baseado em regras, que incorporam o conhecimento de especialistas. Os testes realizados em ambiente de simulação obtiveram bons resultados, indicando a aplicabilidade do sistema em um ambiente real de produção de petróleo. O uso do escalonamento proposto pelo sistema permite uma priorização da transferência na rede e uma programação do escoamento. Palavras-Chaves: Sistemas inteligentes. Redes de escoamento de petróleo. Lógica fuzzy. ABSTRACT The petroleum production pipeline networks are inherently complex, usually decentralized systems. Strict operational constraints are applied in order to prevent serious problems like environmental disasters or production losses. This paper describes an intelligent system to support decisions in the operation of these networks, proposing a staggering for the pumps of transfer stations that compose them. The intelligent system is formed by blocks which interconnect to process the information and generate the suggestions to the operator. The main block of the system uses fuzzy logic to provide a control based on rules, which incorporate knowledge from experts. Tests performed in the simulation environment provided good results, indicating the applicability of the system in a real oil production environment. The use of the stagger proposed by the system allows a prioritization of the transfer in the network and a flow programming. Keywords: Intelligent systems. Pipeline networks. Fuzzy logic. “Que ninguém se engane: só se consegue a simplicidade através de muito trabalho.” Clarice Lispector À minha esposa, Annelize AGRADECIMENTOS A Deus. À minha esposa, Annelize, pelo amor incondicional, pela compreensão e paciência nos momentos difíceis, e pela companhia e carinho constantes, sem os quais eu não chegaria ao fim. Aos meus pais, Wellington e Célia, e ao meu irmão, Miguel, pelo amor fraterno, pelo incentivo, e pelos momentos de distração. Ao meu orientador, Adrião, pela confiança e compreensão com os imprevistos. Ao meu co-orientador, Vicente, pelo suporte teórico e prático, e pela empolgação, que me renovava a cada encontro. Aos colegas da Petrobras, em especial aos do grupo de suporte de TIC para automação – Ferrer, Américo e Thiago – pela contribuição técnica, sugestões, e por terem “segurado a barra” para mim em muitos momentos. Aos colegas do PPGCEP. E a todos que de alguma maneira se fizeram presentes, se preocuparam, foram solidários e torceram por mim. i SUMÁRIO SUMÁRIO ................................................................................................................................... i LISTA DE FIGURAS ................................................................................................................ ii LISTA DE TABELAS .............................................................................................................. iii LISTA DE SÍMBOLOS E ABREVIAÇÕES ............................................................................ iv 1 Introdução ........................................................................................................................... 2 1.1 Objetivos ................................................................................................................................. 2 1.2 Organização do trabalho .......................................................................................................... 2 2 Redes de escoamento de petróleo ....................................................................................... 5 2.1 Instalações de produção de petróleo ........................................................................................ 5 2.2 Monitoramento em tempo real ................................................................................................ 7 2.3 Restrições e problemas do processo ........................................................................................9 2.4 Requisitos para um sistema inteligente ..................................................................................11 3 Sistemas inteligentes para apoio à decisão ....................................................................... 14 3.1 Sistemas de apoio à decisão ...................................................................................................14 3.2 Revisão bibliográfica ..............................................................................................................15 3.3 Lógica fuzzy ...........................................................................................................................17 3.3.1 Conjuntos fuzzy ..............................................................................................................17 3.3.2 Operações básicas ..........................................................................................................17 3.3.3 Relações fuzzy ................................................................................................................18 3.3.4 Sistemas fuzzy ................................................................................................................18 4 Sistema proposto ............................................................................................................... 23 4.1 Premissas e definições ............................................................................................................23 4.2 Modelo do processo ...............................................................................................................24 4.3 Sistema inteligente .................................................................................................................26 4.3.1 Bloco de cálculo .............................................................................................................27 4.3.2 Sistema fuzzy .................................................................................................................27 5 Testes e resultados ............................................................................................................ 30 5.1 Protótipo do sistema ...............................................................................................................30 5.2 Testes ......................................................................................................................................31 5.3 Resultados ..............................................................................................................................34 6 Conclusões ........................................................................................................................ 37 6.1 Trabalhos futuros....................................................................................................................37 Referências Bibliográficas ........................................................................................................ 39 ii LISTA DE FIGURAS Figura 2.1. Modelo de uma rede de escoamento de petróleo (Brasileiro, 2005) ........................ 6 Figura 2.2. Fluxo dos dados de tempo real, desde o processo até o historiador ......................... 8 Figura 2.3. Alta variabilidade aproxima picos do limite, mesmo com média baixa ................ 10 Figura 2.4. Variáveis operacionais a) alta variabilidade e média menor b) baixa variabilidade e média maior .................................................................................................................. 12 Figura 3.1. Fluxo de dados do sistema proposto para uma ECC .............................................. 15 Figura 3.2. Termos linguísticos mapeiam a variável velocidade – adaptada de (Sandri & Correa, 1999) ................................................................................................................ 19 Figura 3.3. Estrutura básica de um sistema fuzzy, adaptada de (Lee, 1990). ........................... 20 Figura 3.4. Exemplo de inferência e defuzzyficação pelo método do centroide ...................... 21 Figura 4.1. Modelo geral de tanque de transferência de ECC .................................................. 24 Figura 4.2. Diagrama de blocos do sistema proposto ............................................................... 26 Figura 4.3. Funções de pertinência das entradas do sistema fuzzy proposto: a) entrada intervalo de tempo ( ), b) entrada pressão ( ) ........................................................... 28 Figura 5.1. Esboço do cenário simulado .................................................................................. 31 Figura 5.2. Funções de pertinência para a entrada .............................................................. 32 Figura 5.3. Funções de pertinência para a entrada ................................................................ 32 Figura 5.4. Funções de pertinência para a saída ação .............................................................. 33 Figura 5.5. Simulação das variáveis lidas em tempo real ......................................................... 34 iii LISTA DE TABELAS Tabela 5.1. Valores gerados em uma das execuções do sistema, e saídas sugeridas ............... 35 Tabela 5.2. Valores gerados em uma das execuções do sistema, e saídas sugeridas ............... 35 iv LISTA DE SÍMBOLOS E ABREVIAÇÕES BS&W Basic Sediments and Water CLP Controlador Lógico Programável ECC Estação Coletora Central ECS Estação Coletora Satélite ESC Estação de Supervisão e Controle ETO Estação de Tratamento de Óleo PIMS Process Information Management System RGO Razão Gás-Óleo SAD Sistema de Apoio à Decisão SCADA Supervisory Control and Data Acquisition TOG Teor de Óleos e Graxas UPGN Unidade de Processamento de Gás Natural Capítulo 1 Introdução 1 Introdução 2 Roberto Evelim Penha Borges, Agosto de 2013 1 Introdução O petróleo produzido nos poços necessita de um meio de transporte para que chegue até o seu destino, que pode ser uma unidade de tratamento. Uma rede de escoamento da produção é uma das alternativas mais utilizadas. O processo de operação dessas redes é o assunto desse estudo. Este capítulo apresenta os objetivos do trabalho, e a forma como a dissertação está organizada. 1.1 Objetivos Esse trabalho tem como objetivo geral apresentar um sistema inteligente a ser usado na operação de malhas de escoamento de petróleo. O sistema objetiva apoiar os operadores em suas tomadas de decisão. Isso é feito através de uma recomendação para o escalonamento de bombas, gerando um cenário operacional de longo prazo, que é previamente modelado e simulado pelo sistema. Os objetivos específicos, decorrentes da utilização do sistema, são: Permitir uma priorização entre estações de transferência da rede; Permitir uma programação do escoamento através do escalonamento de bombas; 1.2 Organização do trabalho Esta dissertação está estruturada em seis capítulos. O primeiro capítulo introduz o trabalho realizado, apresenta seus objetivos, alguns comentários iniciais e a estrutura do documento. No capítulo 2 – Redes de escoamento de petróleo – é apresentada a fundamentação teórica do processo estudado, citando seus problemas e restrições, e listando requisitos para um sistema que venha a resolver tais problemas. O terceiro capítulo – Sistemas inteligentes para apoio à decisão – faz uma revisão bibliográfica sobre o assunto, e descreve as ferramentas utilizadas no sistema proposto. A lógica fuzzy, que forma o núcleo do sistema deste trabalho, é apresentada, e seus usos são justificados com base nos requisitos elencados no capítulo anterior. O capítulo 4 – Sistema proposto – apresenta o sistema, detalhando todas as entradas e saídas de cada bloco queo compõe. O quinto capítulo – Testes e resultados – mostra um cenário experimental utilizado para validar a proposta, as respostas obtidas, e uma discussão sobre esses resultados. Por fim, 1 Introdução 3 Roberto Evelim Penha Borges, Agosto de 2013 o capítulo 6 – Conclusões – faz um fechamento do trabalho, indicando as conclusões obtidas e sugestões de trabalhos futuros. Capítulo 2 Redes de Escoamento de Petróleo 2 Redes de Escoamento de Petróleo 5 Roberto Evelim Penha Borges, Agosto de 2013 2 Redes de escoamento de petróleo A operação das redes de escoamento da produção de petróleo é um processo complexo, com diversos objetivos, muitas vezes conflitantes entre si. Este capítulo descreve o processo, o seu monitoramento em tempo real e os seus problemas mais comuns, cuja solução é o objetivo do trabalho desenvolvido. 2.1 Instalações de produção de petróleo Unidades terrestres de produção de petróleo são frequentemente compostas por uma grande quantidade de poços. Segundo Thomas (2004), ao longo da vida produtiva de um campo de petróleo ocorre, geralmente, a produção simultânea de gás, óleo e água, juntamente com impurezas. Esse fluido bruto produzido nos poços terrestres é normalmente direcionado por dutos a uma estação coletora. Como afirma Machado (2006), o gás natural produzido pode ser queimado na própria estação, ou direcionado para um gasoduto e conduzido para uma UPGN – Unidade de Processamento de Gás Natural. O gás produzido pode também ser usado para recuperação suplementar, através de sua injeção no reservaório. Dependendo das quantidades, e desde que se atenda à legislação ambiental, ainda é possível ventilar o gás produzido para a atmosfera. O tratamento e o escoamento de gás não são escopo desse trabalho. Parte da água produzida pelos poços pode ser separada na estação coletora; o restante é bombeado através de uma malha de escoamento, juntamente com o óleo, para uma Estação de Tratamento de Óleo (ETO). Segundo Thomas (2004), a água extraída pode ser tratada e reinjetada nos poços, atuando como mantenedora da pressão do reservatório, ou descartada, desde que atendidas as regulamentações do órgão de controle ambiental. O principal parâmetro da água produzida que deve ser enquadrado durante o tratamento é o TOG (Teor de Óleos e Graxas). Pode ainda ser utilizada para outros fins específicos, como a geração de vapor para injeção. O tratamento da água não faz parte do escopo desse trabalho. Na ETO, o óleo é tratado, atendendo às normas estabelecidas, para então ser enviado a uma refinaria. Segundo Thomas (2004), esse tratamento é feito sobretudo para separar a parte da água que permaneceu emulsionada, e há necessidade de se utilizar processos físicos e químicos que aumentem a velocidade de coalescência. O BS&W (Basic Sediments and Water), que representa o percentual de água e sedimentos presentes no petróleo bruto é um parâmetro que deve ser observado atentamente nesse processo. 2 Redes de Escoamento de Petróleo 6 Roberto Evelim Penha Borges, Agosto de 2013 A Figura 2.1 mostra a configuração típica de uma rede de escoamento da produção terrestre da fase líquida do petróleo. As estações coletoras que estão diretamente ligadas ao oleoduto central são chamadas de Estações Coletoras Centrais – ECC. Por outro lado, as estações coletoras que se conectam ao duto principal através das ECCs são chamadas de Estações Coletoras Satélites – ECS. Uma malha de transferência pode se tornar bastante complexa, à medida que novas estações são incorporadas à rede. Figura 2.1. Modelo de uma rede de escoamento de petróleo Brasileiro (2005) Embora possam ter portes variados, as ECCs geralmente apresentam o mesmo leiaute. Se não há produção de gás, ou se o seu volume é pequeno o suficiente para que a agência reguladora permita ventilá-lo, a ECC tem apenas um conjunto de tanques e um conjunto de bombas. Segundo Thomas (2004), na maioria dos casos existe a produção de um volume mínimo de gás, de forma que a estação conta ainda com um ou mais vasos desgaseificadores. O fluido líquido separado do gás pode seguir para um tanque receptor chamado “tanque de drenagem” ou “tanque de lavagem”, no qual se faz a separação da água livre. De lá, o óleo é geralmente bombeado para outros tanques chamados “tanques de transferência”. O conjunto de bombas da ECC direciona o óleo desses tanques para o oleoduto central da rede de escoamento. Alternativamente, o fluido líquido pode ser bombeado do vaso desgaseificador diretamente para o oleoduto. 2 Redes de Escoamento de Petróleo 7 Roberto Evelim Penha Borges, Agosto de 2013 Em geral, todos os tanques de transferência de uma ECC são equalizados, ou seja, estão interligados e funcionam como um só, através do princípio dos vasos comunicantes. Dessa forma, o nível de fluido é o mesmo em todos os tanques. Porém, pode-se optar por deixar tanques reserva para situações de contingência. Como bem destacou Santana (2006), uma característica marcante das redes de escoamento de petróleo é que o fluido escoa de várias origens para um único destino, ao contrário do que normalmente ocorre com relação à topologia das redes de distribuição de água. Assim, os fluidos produzidos por vários campos vão sendo misturados ao longo da rede, nos tanques e nos entroncamentos das tubulações, até o seu destino final. Como as propriedades do petróleo variam de campo para campo é de se esperar que, ao longo da rede, haja também uma variação de suas propriedades físicas e químicas, em função das misturas de diferentes composições e das alterações de pressão e temperatura ao longo do escoamento. Ainda segundo Santana (2006), as propriedades do fluido que influenciam o comportamento hidráulico de uma rede de escoamento são a massa específica, a viscosidade absoluta e a temperatura, já que as duas anteriores variam em função da última. No caso do petróleo, incluem-se ainda o BS&W e a RGO (Razão Gás-Óleo), parâmetro que representa a razão entre a vazão de gás e o vazão de óleo em condições padrão. Estas duas últimas propriedades estão envolvidas com a definição de fluxo multifásico, o qual é utilizado tanto para se referir ao fluxo de um fluido com mais de um componente (imiscíveis) quanto para o fluxo com mais de uma fase (líquido e gasoso). O controle das propriedades do fluido escoado não é escopo desse trabalho. 2.2 Monitoramento em tempo real Segundo Chan, Peng & Chen (2003), uma estação coletora de petróleo é tipicamente monitorada e controlada por operadores humanos, que interpretam dados coletados de sistemas SCADA (Supervisory Control and Data Acquisition). Como descreve Ribeiro (2010), esses sistemas utilizam software para monitorar e supervisionar as variáveis e os dispositivos de sistemas de controle conectados através de drivers específicos. Em uma rede de escoamento de petróleo, as variáveis supervisionadas são tipicamente: Níveis dos vasos separadores (quando aplicável) Níveis dos tanques Estados das bombas Pressões nos dutos 2 Redes de Escoamento de Petróleo 8 Roberto Evelim Penha Borges, Agosto de 2013 Vazões de entrada e/ou saída das estações coletoras Os dados são obtidos por sensores, que são instrumentos para a medição de variáveis em campo. Os sensores estão ligados a transdutores, que traduzem a medição para um formato reconhecido pela rede industrial de comunicação. Através dessa rede, a informação chega a um Controlador Lógico Programável (CLP), que a disponibiliza para uma Estação de Supervisão e Controle (ESC). Na ESC é executado o Supervisório – a aplicação que permite ao operador monitorar e atuar no processo remotamente e em tempo real. Em geral, as empresas também fazem uso de um sistema PIMS (Process Information Management System). Este tipo de aplicaçãocoleta dados de todos os sistemas de supervisão e controle da planta, e os armazena em um banco de dados temporal. Os sistemas PIMS têm grande importância, pois permitem a integração e visualização de dados de diferentes estações coletoras em um único repositório. Além disso, seu histórico pode ser utilizado para realizar análises estatísticas e planejamentos, além de calibrar modelos matemáticos que simulam o comportamento dos sistemas medidos. A Figura 2.2 mostra o fluxo dos dados das ECCs, desde o processo até a base histórica centralizada. Figura 2.2. Fluxo dos dados de tempo real, desde o processo até o historiador Processo Instrumentos CLP ESC PIMS ECC 1 ECC n 2 Redes de Escoamento de Petróleo 9 Roberto Evelim Penha Borges, Agosto de 2013 Geralmente, a operação das redes de escoamento é descentralizada, e cada unidade administrativa independente – composta por uma ECC e suas ECSs – é controlada por uma equipe de operadores. Estes operadores têm acesso apenas ao seu Supervisório, e determinam quando ligar e desligar cada bomba da sua estação, obedecendo a regras de operação. Essa ação de ligar/desligar bombas está diretamente relacionada ao conceito de chaveamento. Segundo Machado (2006), o número de chaveamentos em um sistema é a quantidade de vezes que cada bomba que estava desligada foi acionada, e pode ser utilizado como parâmetro na escolha de soluções que irão provocar menos desgaste, e, portanto, menores custos. 2.3 Restrições e problemas do processo Os dispositivos envolvidos no processo de escoamento apresentam restrições físicas e operacionais importantes. Uma delas está relacionada ao nível dos tanques, que não pode exceder limites máximos, devido à sua própria capacidade, nem ficar abaixo de limites mínimos, para evitar o fenômeno da cavitação nas bombas. Outra restrição importante é sobre as pressões nos dutos, que não podem exceder o limite máximo estabelecido no projeto. Por fim, existe a restrição relacionada à capacidade das bombas, que apresentam limites de pressão e vazão de operação. Essas restrições devem ser atentamente observadas para garantir a segurança operacional do processo. A operação acima da capacidade pode ocasionar vazamentos, e possíveis desastres ambientais. Além do dano ao meio ambiente, vazamentos geram interrupções na rede de escoamento, com consequentes perdas. Se a malha for interrompida por qualquer motivo, é possível que as estações coletoras atinjam limites operacionais de nível máximo dos tanques. Nesses casos, é necessário parar a produção dos poços, o que gera grandes perdas de receita para a companhia. Como citado anteriormente, a operação das redes de escoamento de petróleo é em muitas vezes descentralizada. Nesses casos, cada operador tem uma visão limitada do processo, restrita à unidade sob sua responsabilidade e ao oleoduto central compartilhado, não possuindo informações sobre as demais unidades administrativas da rede. Esta limitação impede um escoamento eficiente de toda a produção. A falta de monitoramento central dá às variáveis do processo uma elevada variabilidade, conforme ilustrado pela 2 Redes de Escoamento de Petróleo 10 Roberto Evelim Penha Borges, Agosto de 2013 Figura 2.3. A elevada variabilidade reduz a vazão média escoada e cria uma falsa impressão de que a infraestrutura em uso é insuficiente, pois os picos de vazões e pressões ameaçam limites operacionais dos dutos. Figura 2.3. Alta variabilidade aproxima picos do limite, mesmo com média baixa Segundo da Silva (1999), um dos investimentos mais altos na estruturação da capacidade de escoamento de petróleo é a construção dos dutos. Se houver deficiências na capacidade de escoamento da rede, devido a um aumento expressivo da produção, por exemplo, os gastos envolvidos no redimensionamento das redes serão extremamente altos, por se tratar de dezenas, ou centenas de quilômetros de dutos. Logo, quanto mais eficientemente esses sistemas forem operados, maior será o prazo até que uma interferência na estrutura física na rede de escoamento seja necessária. A descentralização também tem outras implicações, como a característica reativa da operação e a grande quantidade de intervenções feitas no processo. A reatividade se deve ao fato de não ser possível fazer programações, já que cada unidade segue suas próprias regras de transferência. Muitas intervenções acontecem, pois os operadores, ao detectarem uma situação anormal, decidem ligar (ou desligar) várias bombas de uma única vez, diminuindo a vida-útil das mesmas, e aumentando o consumo energético. As intervenções dos operadores também estão diretamente relacionadas aos custos de manutenção dos sistemas de bombeamento das estações coletoras. Esse custo é de difícil quantificação, mas é fortemente influenciado pela operação das bombas, sendo que um alto número de chaveamentos acelera o seu desgaste e diminui a sua vida útil. 2 Redes de Escoamento de Petróleo 11 Roberto Evelim Penha Borges, Agosto de 2013 O processo de tratamento de óleo na ETO objetiva especificar o BS&W do óleo, e é influenciado pela variação das propriedades e da vazão do fluido recebido, e pelos equipamentos utilizados. O controle das propriedades do fluido em um horizonte de tempo futuro não é uma tarefa simples. Assim, considerando que os equipamentos utilizados são fixos, e que as propriedades do óleo e da água são aproximadamente constantes ao longo do tempo, este trabalho limita-se ao controle da vazão de chegada na ETO. Segundo Machado (2006), uma vazão pouco variável nessa estação possibilita, por exemplo, otimizar a operação do extrator e do separador de óleo, os quais foram projetados para operar em uma vazão pré- determinada ou numa faixa estreita de vazões, além de reduzir a quantidade de produtos químicos utilizados no tratamento, 2.4 Requisitos para um sistema inteligente A partir das restrições e dos problemas apresentados anteriormente, é possível descrever uma série de requisitos para um sistema inteligente que objetive apoiar a decisão dos operadores de uma rede de escoamento de petróleo. Esses requisitos são descritos a seguir. O sistema deve ser capaz de receber informações de todas as estações da malha. Esta característica lhe dá uma visão centralizada do processo, tornando possível o estabelecimento de prioridades entre as ECCs que fazem parte da rede. Assim, o sistema poderá gerar sugestões globais de operação, informando os operadores sobre a situação operacional de todas as outras ECCs. As sugestões geradas pelo sistema devem fazer com que a vazão de transferência tenha uma variabilidade baixa. Mantendo as variáveis do processo nas proximidades da média, os picos serão menores, diminuindo a ameaça aos limites operacionais. Ao mesmo tempo, será possível aumentar a média das variáveis, elevando o volume médio transferido para a estação de tratamento, o que gera uma maior utilização da capacidade instalada. A Figura 2.4 ilustra essas vantagens através de uma comparação entre duas situações operacionais: a) com variabilidade alta; b) com variabilidade baixa. 2 Redes de Escoamento de Petróleo 12 Roberto Evelim Penha Borges, Agosto de 2013 a) b) Figura 2.4. Variáveis operacionais a) alta variabilidade e média menor b) baixa variabilidade e média maior É também desejável que o sistema seja capaz de fazer uma programação do processo, de forma a diminuir a característica reativa da sua operação. Portanto, uma sugestão de como operar a transferência deve ser gerada não apenas para o momento atual, mas também para instantes de tempo no futuro. Essa característica requer que o sistema realize predições e simulações do processo, e faz com que os operadores possam antever as possíveis ações a serem tomadas. Esserequisito não foi abordado no sistema desenvolvido neste trabalho, mas é uma das possíveis melhorias a serem feitas por trabalhos futuros. A operação das malhas de escoamento é altamente dependente do conhecimento empírico adquirido pelos operadores. Dessa forma, é importante que o sistema inteligente possa incorporar esse conhecimento, principalmente sobre as regras de operação. É importante ressaltar, ainda, que, dada a importância e criticidade do processo, o sistema não deve atuar diretamente na malha de escoamento. Apesar de idealmente poder operar automaticamente, a ocorrência de alguma falha na arquitetura de monitoramento – como um instrumento inoperante, ou a indisponibilidade do PIMS – pode fazer com que o sistema deixe de funcionar conforme o esperado. Assim, o seu apoio à operação deve ser feito em forma de sugestões, que indicam quantas bombas deveriam estar ligadas em cada ECC. Os operadores, de posse dessas sugestões, devem tomar as decisões que julgarem mais adequadas. Capítulo 3 Sistemas Inteligentes para Apoio à Decisão 3 Sistemas Inteligentes para Apoio à Decisão 14 Roberto Evelim Penha Borges, Agosto de 2013 3 Sistemas inteligentes para apoio à decisão A competitividade e o desenvolvimento tecnológico alcançados nas últimas décadas levaram a indústria do petróleo a utilizar sistemas computacionais cada vez mais sofisticados. Além de realizarem o monitoramento em tempo real das operações, esses sistemas fazem uso de técnicas inteligentes para apoiar as decisões dos operadores. Esse capítulo descreve esse tipo de sistema, apresenta exemplos de aplicação encontrados na bibliografia, e as técnicas inteligentes que foram usadas na proposição do sistema inteligente objeto desse trabalho. 3.1 Sistemas de apoio à decisão De acordo com Turban (1995), um Sistema de Apoio à Decisão (SAD) é um sistema de informação interativo, flexível e adaptável, especialmente desenvolvido para apoiar a solução de um problema não estruturado, aperfeiçoando a tomada de decisão. Esse tipo de sistema utiliza dados, provê uma interface amigável e permite ao tomador de decisão ter sua própria percepção do problema. A experiência tem mostrado que uma das maiores qualidades de um SAD é exatamente tornar o processo decisório mais ordenado, objetivo e transparente. Segundo Porto (1997), em situações em que o conhecimento é impreciso, incompleto e/ou inconsistente, os tomadores de decisões escolhem uma solução satisfatória em detrimento da uma solução hipotética ótima. Muitas vezes, as decisões sugeridas por um SAD estão baseadas na simulação de modelos matemáticos, com os quais é possível realizar testes a fim de prever a resposta do processo real com algum nível de precisão. Assume-se como premissa que esses modelos representam uma boa parte das características do processo em um dado instante e, portanto, precisam ser continuamente reavaliados. Dessa forma, outra funcionalidade que pode ser acrescida a estes sistemas computacionais é a capacidade de atualizar os parâmetros dos modelos em função dos dados do monitoramento em tempo real. Como citado anteriormente, a operação das redes de escoamento de petróleo é um processo com diversos objetivos de naturezas distintas e geralmente conflitantes. Portanto, o problema é caracterizado como multiobjetivo, e a sua solução se torna mais complexa. Assim, um SAD se encaixa como uma potencial ferramenta para auxiliar a conciliação dos conflitos gerados no processo. Para esse trabalho, o fluxo de dados entre o processo, o sistema e o operador é apresentado na Figura 3.1. 3 Sistemas Inteligentes para Apoio à Decisão 15 Roberto Evelim Penha Borges, Agosto de 2013 Figura 3.1. Fluxo de dados do sistema proposto para uma ECC Como exposto anteriormente, as variáveis de interesse para o processo são periodicamente coletadas de todas as ECCs da malha e enviadas à base histórica do sistema PIMS. O sistema inteligente deve ler os dados de interesse desse historiador, e usar um modelo para processá-los até chegar a um resultado. No processo em questão, o resultado é uma sugestão de operação na forma de escalonamento de bombas para cada estação. A chave para incentivar o uso destes modelos pelos operadores está em disponibilizar uma interface amigável, pois a troca de informações entre o sistema SCADA, o modelo de controle e a análise deve ser, para eles, transparente. Com a sugestão disponível, cada operador será capaz de tomar melhores decisões de operação para a sua ECC, que se traduzirão em ações no processo, fechando o ciclo apresentado. 3.2 Revisão bibliográfica Pode-se encontrar na literatura alguns trabalhos relacionados a SADs para redes de escoamento de petróleo. Goldberg (1985) utiliza um algoritmo genético para acompanhar a operação de dutos. Já de Almeida et al (2001) fazem uso de um algoritmo genético para a programação da produção de uma refinaria de petróleo para minimizar os custos com energia elétrica. Especificamente para o problema do escalonamento de bombas, da Silva (1999) utilizou o algoritmo genético em conjunto com a programação linear para otimizar o transporte da produção de um campo petrolífero localizado no sul da Argentina até a sua estação de pré-processamento de petróleo. Depois dele, Brasileiro (2005), Machado (2006) e Santana (2006) propuseram um algoritmo genético modificado para otimizar o problema do 3 Sistemas Inteligentes para Apoio à Decisão 16 Roberto Evelim Penha Borges, Agosto de 2013 escalonamento de bombas em uma rede de escoamento de petróleo. Em sua abordagem, considerou-se como objetivo principal o custo de energia elétrica por volume bombeado, através de uma função de adaptabilidade ponderada no tempo para minimizar as perdas devido às incertezas na previsão da produção do sistema. Os projetos dos sistemas citados anteriormente foram feitos baseados em uma modelagem fenomenológica do processo. Como afirmam Chan et al (2008), normalmente, esse tipo de modelagem é demorado, e requer um conhecimento sólido dos princípios teóricos de engenharia. Devido às complexas relações entre os parâmetros de interesse no escoamento de petróleo, a formulação de um modelo matemático para o processo se torna uma tarefa extremamente difícil. Essa foi a justificativa que Chan et al (2008) deram para usar sistemas fuzzy no seu trabalho sobre o controle de um processo de separação de petróleo. Além disso, o modelo de escoamento dito fenomenológico envolve componentes empíricos, e o ajuste dos parâmetros existente nas equações – chamado de “calibração do modelo” – também é uma tarefa árdua. Segundo Santana (2006), a previsão do gradiente de pressão em um sistema com fluxo multifásico é um problema trabalhoso, devido aos muitos padrões de escoamento com diferentes geometrias e mecanismos. As correlações utilizadas com essa finalidade na indústria têm um custo computacional elevado. Somada a isso está a dificuldade de determinar as propriedades dos fluidos, como a massa específica e a viscosidade, as perdas por fricção da mistura multifásica, a distribuição de velocidades, e as curvas reais das bombas. Por esses motivos, Ternyik et al (1995) afirmam que um modelo genérico que represente todas as condições de inclinação dos dutos e mistura de fluidos não foi ainda desenvolvido. Neste trabalho, buscou-se uma alternativa para o desenvolvimento do SAD, usando uma modelagem não-fenomenológica, como a de Chan et al (2008). Essa abordagem já foi usada em vários outros processos da indústria de petróleo, como em Weiss, Balch & Stubbs (2002), Klose (2002), Dukarm (1993) e da Silva et al (2005). Porém, um projeto aplicado à operação de redes de escoamento não foi encontrado na literatura. Este trabalho busca preencher essa lacuna, e a sua proposta está baseada nos sistemas fuzzy,que serão apresentados na próxima seção. Os sistemas fuzzy foram escolhidos principalmente por proverem um controle de alto nível, baseado em regras, que incorporam o conhecimento de especialistas no processo. 3 Sistemas Inteligentes para Apoio à Decisão 17 Roberto Evelim Penha Borges, Agosto de 2013 3.3 Lógica fuzzy 3.3.1 Conjuntos fuzzy A primeira publicação no campo da teoria dos conjuntos fuzzy foi feita por Zadeh (1965). Um conjunto fuzzy existe dentro de um universo de discurso , onde é uma generalização do conceito clássico de conjunto. O universo de discurso é definido da seguinte forma: { ( | ( )) ( ) [ ] (1) em que é um valor particular de e ( ) representa uma função de pertinência de no intervalo [ ]. A lógica fuzzy pode ser considerada uma generalização da lógica clássica booleana, que faz com que esta seja estendida para lidar com a noção de verdades parciais. A lógica fuzzy usa variáveis linguísticas definidas no intervalo [ ]. Um conjunto contínuo de valores-verdade, representado como funções de pertinência, é usado em lugar das atribuições estritamente binárias: verdadeiro ou falso. Segundo Chan et al (2008), a lógica fuzzy é uma das melhores ferramentas para analisar dados que são vagos ou subjetivos. 3.3.2 Operações básicas As operações em conjuntos fuzzy são diferentes daquelas em conjuntos clássicos. Sendo dois conjuntos fuzzy, com funções de pertinências associadas e , respectivamente, são definidos os seguintes operadores básicos: se e somente se União de e , definida pela função de pertinência: ( ( ) ( )) ( ( ) ( )) (2) Interseção de e , definida pela função de pertinência: ( ( ) ( )) ( ( ) ( )) (3) Complemento de , definido pela função de pertinência: 3 Sistemas Inteligentes para Apoio à Decisão 18 Roberto Evelim Penha Borges, Agosto de 2013 ̅ ( ) (4) 3.3.3 Relações fuzzy As relações entre variáveis fuzzy são definidas usando universos de discurso diferentes, através da declaração condicional fuzzy ou implicação linguística: ou ( ) ( ) (5) O conjunto antecedente ou condicional é definido por ( ), onde , enquanto que o conjunto consequente ou de saída é definido por ( ), onde . Assim, a relação resultante é dada por: (( ) ( )) | ( ) (6) em que é o produto cartesiano de , e é chamado de relação fuzzy em . 3.3.4 Sistemas fuzzy O conceito de um sistema que utiliza a lógica fuzzy para auxiliar o controle de processos foi introduzido por Zadeh (1973). A primeira aplicação da teoria dos conjuntos fuzzy a controle de sistemas foi feita por Mandani & Assilian (1975). Muitas variações desse sistema foram propostas desde 1975. Por exemplo, Sugeno (1985) introduziu a modificação importante e bastante utilizada de escrever regras que têm antecedentes fuzzy e consequentes clássicos. Segundo Lee (1990), sistemas fuzzy são robustos e de grande adaptabilidade, incorporando conhecimento que outros sistemas nem sempre conseguem acomodar. Também são versáteis, principalmente quando o modelo físico é complexo e de difícil representação matemática. Segundo Sandri & Correa (1999), uma variável linguística pode ser definida por uma quádrupla ( ( ) ), onde é o nome da variável, é o universo de discurso de , ( ) é um conjunto de nomes para valores de , e é uma função que associa uma função de pertinência a cada elemento de ( ). A Figura 3.2, adaptada de Sandri & Correa (1999), ilustra a variável linguística velocidade com os termos nebulosos dados por {Negativa Alta; Negativa Baixa; Zero; Positiva Baixa; Positiva Alta}. 3 Sistemas Inteligentes para Apoio à Decisão 19 Roberto Evelim Penha Borges, Agosto de 2013 Figura 3.2. Termos linguísticos mapeiam a variável velocidade – adaptada de Sandri & Correa (1999) Segundo Sandri & Correa (1999), o formato de função de pertinência mais comum é o triangular, embora curvas trapezoidais e tipo sino sejam também empregadas. A Figura 3.3 representa a estrutura básica de um sistema fuzzy. 3 Sistemas Inteligentes para Apoio à Decisão 20 Roberto Evelim Penha Borges, Agosto de 2013 Figura 3.3. Estrutura básica de um sistema fuzzy, adaptada de Lee (1990). A interface de “fuzzyficação” faz a identificação dos valores das variáveis de entrada, e as normaliza em um universo de discurso padronizado. Dessa forma, a fuzzyficação é o processo de conversão de valores de entrada precisos para valores fuzzy, através das funções de pertinência. A base de conhecimento consiste de uma base de dados e uma base de regras, de maneira a caracterizar a estratégia de controle e as suas metas. Na base de dados ficam armazenadas as definições sobre discretização e normalização dos universos de discurso, e as definições das funções de pertinência dos termos nebulosos. A base de regras é formada por declarações condicionais, como a da Equação (5). Aparentemente, uma regra poderia ser utilizada sem fazer uso da lógica fuzzy; porém, deve-se lembrar que a decisão é baseada em um conjunto de regras. O procedimento de inferência agrega os valores obtidos como conclusão das várias regras e obtém uma ação de controle global. Este procedimento mapeia conjuntos fuzzy em conjuntos fuzzy. Por fim, a interface de “defuzzyficação” evolui a ação de controle nebulosa inferida para uma ação de controle não nebulosa, de acordo com o universo de discurso das variáveis de saída. Assim, é possível obter uma resposta exata, e não nebulosa. Há vários métodos de defuzzyficação propostos na teoria. Segundo Silveira (2002), o método do centroide é bastante popular, e dá como valor exato o centro geométrico do valor fuzzy de saída ( ), Interface de “fuzzyficação” Procedimento de inferência Interface de “defuzzyficação” Base de dados Base de regras Base de conhecimento sensores atuadoresProcesso Sistema fuzzy valores numéricos ação de controle entradas nebulosas saída inferida 3 Sistemas Inteligentes para Apoio à Decisão 21 Roberto Evelim Penha Borges, Agosto de 2013 onde ( ) é formado pela união de todas as contribuições das regras. O centro é o ponto que separa a área debaixo da curva ( ) em duas partes de áreas iguais, e é calculado através da equação (7). ∑ ( ) ∑ ( ) (7) Os procedimentos de inferência e defuzzyficação pelo método do centroide são ilustrados na Figura 3.4. Figura 3.4. Exemplo de inferência e defuzzyficação pelo método do centroide No exemplo acima, três variáveis ( e ) entram no sistema fuzzy, e têm suas pertinências avaliadas quanto aos respectivos termos linguísticos ( e C). As regras 1, 2 e 3 relacionam as entradas a pertinências da variável de saída com relação a 3 diferentes termos linguísticos ( e F). Para determinar o valor de saída de , é calculado o centroide da superfície resultante da agregação dos resultados das regras. Capítulo 4 Sistema proposto 4 Sistema Proposto 23 Roberto Evelim Penha Borges, Agosto de 2013 4 Sistema proposto Como comentado anteriormente, um projeto de SAD com modelagem não- fenomenológica aplicado à operação de redes de escoamento de petróleo não foi encontrado na literatura. Esta é a proposta deste trabalho, que será descrita neste capítulo. Ele se inicia com as premissas e definições de termos utilizados; segue com a modelagem feita para o processo; e finaliza apresentando o sistema inteligente proposto. 4.1 Premissas e definições O processo modelado neste trabalho está compreendido entre as ECCs e a ETO de uma malha de escoamento. Considera-se que todo o fluido que chega aos tanques de transferênciade uma ECC – seja vindo de poços, de ECSs, ou de tanques de testes – é abstraído como fluido de entrada para o sistema. Considera-se, a menos que explicitamente informado, que todos os tanques de transferência das ECCs trabalham equalizados. Assume-se também que os tanques são cilíndricos, e que são conhecidos os raios de suas bases. Para cada ECC da rede, o sistema deve ser capaz de identificar quais de seus tanques e bombas estão disponíveis no momento do escalonamento. Como o processo deve ser o mais estável possível, a menor quantidade de chaveamentos em bombas deve ser recomendada pelo sistema. Adotou-se, então, a premissa de sugerir a alteração do estado de no máximo uma bomba para cada ECC. Dessa forma, o sistema não indica quantas bombas devem estar ligadas, mas apenas sugere variações na quantidade atual. Se a quantidade de bombas ligadas em uma ECC fizer com que a sua vazão de saída se aproxime da vazão de entrada, o sistema manterá a vazão da malha próxima à sua média. A janela de atuação ( ) define o intervalo de tempo entre execuções consecutivas do sistema. De acordo com Silva et al (2000), a granularidade do intervalo de atuação não deve ser muito pequena sob pena de acarretar um desgaste nas bombas e diminuir a sua vida útil, nem tampouco pode ser muito grande, por reduzir as possibilidades de otimização. Além disso, algoritmos numéricos podem ficar sobrecarregados no caso de janelas de tempo muito curtas. O escalonamento sugerido pelo sistema deve garantir a segurança operacional de toda a rede de escoamento. Se alguma parte da malha deixar de obedecer às restrições operacionais 4 Sistema Proposto 24 Roberto Evelim Penha Borges, Agosto de 2013 de tanques, dutos e/ou bombas, a sugestão é automaticamente descartada, e um novo escalonamento é calculado. Por fim, assume-se que toda a malha de escoamento é devidamente instrumentada, e que as medições em tempo real de todas as variáveis de interesse estão disponíveis no historiador, conforme apresentado na Figura 2.2. Na prática, se alguma das variáveis não é medida em tempo real, deve-se fazer uma aproximação ou predição de seus valores. Por exemplo, é comum que não haja um medidor para a vazão de entrada em uma ECC. A predição de variáveis não disponíveis em tempo real não faz parte do escopo deste trabalho. 4.2 Modelo do processo O modelo geral adotado para um tanque de transferência de uma ECC é mostrado na Figura 4.1. Figura 4.1. Modelo geral de tanque de transferência de ECC No modelo estão representadas as variáveis: raio da base ( ), nível do tanque ( ), vazão do fluido de entrada ( ), vazão do fluido de saída ( ) e pressão de saída ( ). Parte do conhecimento de especialistas no processo é integrada ao sistema no momento da definição dos limites para o nível dos tanques. Esses limites são usados na identificação da situação operacional de cada ECC. Assim, para cada tanque, considera-se que as constantes nível máximo ( ) e nível mínimo ( ) foram previamente definidas. Com essas constantes e com a leitura em tempo real do nível dos tanques, é possível calcular a distância do nível atual a cada um dos limites, como mostram as equações (8) e (9). 4 Sistema Proposto 25 Roberto Evelim Penha Borges, Agosto de 2013 (8) (9) Essas distâncias já poderiam ser usadas na priorização das ECCs para transferência. Por exemplo, a ECC que tivesse menor teria maior prioridade para ligar mais uma bomba. Porém, essa estratégia leva em consideração apenas o nível atual dos tanques, e pode causar interpretações errôneas sobre o real estado do processo. Por exemplo, pode ser que uma ECC esteja bem perto de atingir o seu limite máximo, mas o seu nível já esteja abaixando. Outro exemplo é o caso em que uma ECC A está mais perto de atingir um limite que uma ECC B, mas o raio da ECC B é menor que o raio da ECC A. Nesse caso, se ambas seguirem com a mesma variação líquida de volume, o limite poderá ser atingido primeiro na ECC B. Um parâmetro que representa melhor a prioridade que uma ECC deve ter em relação às outras é o tempo que ela tem até que algum limite seja alcançado. Essa estratégia leva em consideração não apenas o nível atual, mas também a taxa de variação do nível, e o raio dos tanques. Para encontrar os tempos que a ECC levará para atingir cada limite, são realizados alguns cálculos. Primeiro, deve-se encontrar a variação líquida de volume do tanque. Para tanto, como a área da base do cilindro é considerada constante, usa-se a equação (10). (10) Em seguida, usando as vazões de entrada e de saída da ECC, pode-se relacionar a variação líquida de volume com o intervalo de tempo decorrido, como mostra a equação (11). | | (11) As variações de volume resultantes de variações de pressão são desconsideradas, pois o gás já foi separado do líquido, fazendo com que a sua compressibilidade seja pequena. Além disso, as variações de pressão do processo são relativamente pequenas, fazendo com que essa aproximação seja válida. 4 Sistema Proposto 26 Roberto Evelim Penha Borges, Agosto de 2013 Por fim, rearranjando as equações (10) e (11), pode-se chegar ao tempo estimado para que a ECC atinja os limites de nível máximo e mínimo do tanque, como mostram as equações (12) e (13), respectivamente. (12) (13) Se o nível do tanque estiver descendo ( ), considera-se que o tempo para alcançar o limite máximo é infinito. Similarmente, se o nível do tanque estiver subindo ( ), considera-se que o tempo para alcançar o limite mínimo é infinito. Dessa forma, em cada momento é calculado apenas um intervalo de tempo para cada ECC – ou máximo ou mínimo. Adicionalmente, se a variação líquida de volume de uma ECC for nula ( ), os denominadores das equações (12) e (13) serão nulos, indicando um tempo infinito para alcançar os limites. Nesse caso, a ECC não terá intervalos calculados para a iteração em questão. 4.3 Sistema inteligente Utilizando a modelagem descrita para o processo, iniciou-se o projeto do sistema inteligente. A Figura 4.2 apresenta seu diagrama de blocos. Figura 4.2. Diagrama de blocos do sistema proposto Sistema fuzzy Bloco de cálculo Processo Sugestão Sistema Inteligente R, Lmax, Lmin Qin, Qout, L, QBB p ∆t ∆QBB 4 Sistema Proposto 27 Roberto Evelim Penha Borges, Agosto de 2013 A seguir cada bloco do diagrama é apresentado, descrevendo sua(s) entrada(s), seu processamento e sua(s) saída(s). 4.3.1 Bloco de cálculo Este bloco lê os valores dos raios dos tanques ( ), e seus limites de nível máximo e nível mínimo para todas as ECCs da malha ( e ), que ficam armazenados em uma base de dados. É importante que essa base de dados esteja sempre atualizada, de forma que os dados lidos sejam coerentes, e os cálculos subsequentes sejam válidos. O bloco de cálculo lê também medições de tempo real das variáveis do processo, através do historiador, conforme o exemplo da Figura 3.1. Com a leitura das variáveis do tanque – vazão de entrada ( ), vazão de saída ( ) e nível ( ) – os cálculos das equações (8), (9), e (12) ou (13) podem ser efetuados para cada estação da malha. Se o nível estiver subindo, obtém-se ; se estiver descendo, obtém-se . Esse intervalo de tempo obtido ( ) é a saída desse bloco. O bloco de cálculo lê ainda do historiador o estado das bombas de cada ECC – . Esses valores são importantes para impedir que a sugestão gerada pelo sistema leve a um estado impossível para a rede – como um número de bombas ligadas maior que a quantidade total de bombas de uma estação, ou sugerir desligar uma bomba quando não há nenhuma ligada. 4.3.2 Sistema fuzzy Como afirmado anteriormente,um sistema fuzzy foi utilizado para fazer um controle de alto nível, baseado em regras linguísticas. Para a primeira iteração, esse bloco recebe os intervalos de tempo calculados no bloco de cálculo ( ), e faz a leitura das pressões de saída em tempo real do historiador ( ). Como apresentado na seção 3.3.4, essas entradas devem ser “fuzzyficadas”. Foram usadas funções de pertinência trapezoidais com três termos nebulosos para cada entrada, conforme apresentado na Figura 4.3. 4 Sistema Proposto 28 Roberto Evelim Penha Borges, Agosto de 2013 a) b) Figura 4.3. Funções de pertinência das entradas do sistema fuzzy proposto: a) entrada intervalo de tempo ( ), b) entrada pressão ( ) Os intervalos de tempo são mapeados para os valores {Crítico; Atenção; Confortável}. As pressões de saída são mapeadas para os valores {Baixa; Ideal; Alta}. Com as entradas nebulosas disponíveis, o sistema segue a estrutura da Figura 3.3, chegando ao procedimento de inferência. Lá, outra parte do conhecimento dos especialistas é incorporada ao sistema, através da elaboração das regras de operação. Após a aplicação das regras às entradas, é gerado um escalonamento das bombas de cada ECC da malha. As regras de operação devem ser flexíveis, de forma a permitir alterações conforme a necessidade. Neste trabalho, foi utilizado um conjunto de regras simples, apresentado no próximo capítulo juntamente com seus resultados. No procedimento de inferência deve-se observar a estabilidade global da malha, de forma que a sugestão fornecida não afete a segurança operacional. Por exemplo, se as pressões no duto principal estão próximas do ideal, mas uma das ECCs precisa ligar mais uma bomba, é provável que seja necessário desligar uma bomba de outra ECC. Com essa ação global de controle, o sistema indica a variação na quantidade de bombas ligadas de cada ECC. Usando a defuzzyficação do tipo centroide, as possíveis saídas são: Ligar mais uma bomba; Desligar uma das bombas; Manter a quantidade atual de bombas ligadas. Capítulo 5 Testes e Resultados 5 Testes e Resultados 30 Roberto Evelim Penha Borges, Agosto de 2013 5 Testes e resultados Para validar o modelo proposto, foi desenvolvido um protótipo do sistema. A partir dele, foi possível testar as sugestões geradas em redes de escoamento hipotéticas. O protótipo foi desenvolvido usando o SciLab, que é um software de computação numérica open source. 5.1 Protótipo do sistema No protótipo criado, deve-se inicialmente descrever a arquitetura da rede de escoamento que será simulada. Em primeiro lugar, é determinada a quantidade de ECCs na malha. A partir daí, para cada ECC, são definidos: Altura dos tanques; Volume total dos tanques; Níveis mínimo e máximo dos tanques; Quantidade total de bombas disponíveis; Vazão média por bomba; Na parte seguinte do protótipo, o sistema fuzzy é caracterizado, definindo-se: Tipo de sistema fuzzy: Mandani ou Takagi-Sugeno; Classe de T-Norm e S-Norm; Método de defuzzyficação Entradas fuzzy Saídas fuzzy Base de regras de inferência O próximo passo é carregar as variáveis do processo que servirão de entrada para o sistema. No protótipo, as grandezas variam aleatoriamente em torno de uma média conhecida. É necessário ainda carregar um pequeno histórico, para que o sistema seja capaz de calcular seus valores médios. Quando executado em uma rede de escoamento real, as variáveis em tempo real e seus históricos seriam lidos diretamente do historiador de processos da companhia. 5 Testes e Resultados 31 Roberto Evelim Penha Borges, Agosto de 2013 5.2 Testes No primeiro cenário testado, foi simulada uma rede com 3 ECCs. Com o auxílio de especialistas na área, foram definidas as suas configurações, que são apresentadas a seguir. A “ECC A” tem tanques de 14 m de altura, com um volume total de 3500 m 3 ; a “ECC B” tem tanques de 10 m de altura, com um volume total de 850 m 3 ; a “ECC C” tem tanques de 12 m de altura, com um volume total de 2000 m 3 . Para todas as ECCs, os limites mínimo e máximo de nível nos tanques foram definidos como 30% e 60% das alturas, respectivamente, e usou-se bombas com vazão média de 100 m 3 /h. A quantidade total de bombas disponíveis foi definida partindo-se do princípio de que cada estação tem uma folga de 50% em relação ao seu volume total, arredondando para cima. Assim, as três ECCs têm respectivamente, 53, 13 e 30 bombas. A Figura 5.1 apresenta um esboço da configuração simulada. Entretanto, vale ressaltar que, como o modelo é não-fenomenológico, essa é apenas um dentre várias possibilidades de arranjo para o cenário em questão. Figura 5.1. Esboço do cenário simulado A janela de atuação foi definida em 15 minutos. Foi usado um sistema fuzzy do tipo Mandani, com classes de T-Norm e S-Norm definidas como “soma algébrica” e “produto algébrico”, respectivamente, e método de defuzzyficação do “centroide”. Segundo Lee (1990), essa é a configuração de um sistema fuzzy “padrão”. As duas entradas do sistema fuzzy – intervalo de tempo ( ) e pressão ( ) – e a sua saída – ação – foram definidas com funções de pertinência trapezoidais, como mostrado na Figura 5.2, na Figura 5.3 e na Figura 5.4, respectivamente. Os valores dos vértices dos trapézios foram definidos em conjunto com especialistas no processo. 5 Testes e Resultados 32 Roberto Evelim Penha Borges, Agosto de 2013 Figura 5.2. Funções de pertinência para a entrada Figura 5.3. Funções de pertinência para a entrada 5 Testes e Resultados 33 Roberto Evelim Penha Borges, Agosto de 2013 Figura 5.4. Funções de pertinência para a saída ação Foi usado um conjunto de inferência simples, com as seguintes regras: I. Se é “Crítico”, então ação é “Agir”; II. Se é “Atenção” e é “Alta”, então ação é “Agir”; III. Se é “Atenção” e é “Baixa”, então ação é “Agir”; IV. Se é “Confortável” e é “Ideal”, então ação é “Manter”. As regras I e IV foram definidas com peso máximo, pois foram consideradas como essenciais. Ou seja, essas regras são sempre válidas, independentemente da situação atual do processo. As regras II e III foram definidas com peso intermediário, pois foram consideradas secundárias, ou incompletas. Ou seja, essas regras não necessariamente indicam uma situação de mudança para o sistema. Os dados do processo foram definidos como uma soma de um valor fixo com uma variável aleatória de distribuição normal. Os valores fixos foram definidos em conjunto com 5 Testes e Resultados 34 Roberto Evelim Penha Borges, Agosto de 2013 especialistas no processo. Para a variável nível, usou-se 50% da altura dos tanques; para as vazões de saída foram usados os valores 1000 m 3 /h, 500 m 3 /h e 800 m 3 /h para as ECCs A, B e C, respectivamente; para as pressões foram usados os valores 40 kgf/cm 2 , 25 kgf/cm 2 e 15 kgf/cm 2 . A variável aleatória utilizada tinha média nula e desvio padrão unitário, e era multiplicada pelo valor fixo antes da soma, como mostra a Figura 5.5. Figura 5.5. Simulação das variáveis lidas em tempo real Vale observar que a pressão é uma variável que depende da distância que a ECC se encontra do seu destino, ou seja, quanto mais distante maior tende a ser a pressão na saída da estação. Para contornar esse problema e poder comparar os valores de pressão diretamente, é necessário fazer uma normalização nos dados. As vazões de entrada foram calculadas utilizando uma média das vazões de saída da sua ECC. Isso é feito porque, segundo os especialistas no processo, na maioria dos casos não se dispõe de medidores para essa grandeza. O cálculo é realizado a partir deum histórico de vazões de saída, gerado da forma explicada no parágrafo anterior. 5.3 Resultados Com todas as informações disponíveis, o sistema foi executado, e gerou uma saída para cada ECC da malha. Ainda é preciso transformar a saída numérica em uma ação de controle (“Agir” ou “Manter”) para obter o escalonamento desejado. Na maioria das vezes em que o sistema foi executado com essa configuração, foram obtidos resultados compatíveis com as entradas aleatórias geradas. Como exemplo, a Tabela 5.1 e a Tabela 5.2 mostram os valores obtidos em execuções do sistema. 5 Testes e Resultados 35 Roberto Evelim Penha Borges, Agosto de 2013 Tabela 5.1. Valores gerados em uma das execuções do sistema, e saídas sugeridas Tabela 5.2. Valores gerados em uma das execuções do sistema, e saídas sugeridas Com os valores gerados para a saída “Ação”, o sistema pode fazer as sugestões para o estado das bombas. No primeiro caso, foi sugerido desligar uma bomba na ECC_A, e manter a quantidade de bombas ligadas anteriormente na ECC_B e na ECC_C. No segundo caso, foi sugerido ligar mais uma bomba na ECC_B, e manter a quantidade de bombas ligadas anteriormente na ECC_A e na ECC_C. Ambos os resultados se apresentam coerentes com os valores observados das variáveis do processo. Seguindo esse cenário, foram realizados outros testes utilizando outros cenários similares, variando-se a quantidade de estações, de bombas, valores para as variáveis do processo, etc. Em geral, os testes retornaram resultados compatíveis com as entradas, o que indica a aplicabilidade do sistema em um ambiente real. Capítulo 6 Conclusões 37 Roberto Evelim Penha Borges, Agosto de 2013 6 Conclusões O trabalho apresentou um sistema inteligente baseado em uma abordagem não- fenomenológica para apoiar o processo de operação de redes de escoamento da produção de petróleo. O sistema não foi testado em ambiente real, mas gerou bons resultados nas simulações realizadas, o que indica sua aplicabilidade em cenários simples. Para cenários mais complexos, ainda é necessária uma investigação mais profunda, especialmente usando dados reais, o que pode ratificar a utilidade da ferramenta para uma empresa de petróleo. Os especialistas no processo que suportaram o desenvolvimento do sistema foram unânimes na opinião de que essa linha de pesquisa é muito útil para o processo. Além dos objetivos alcançados com o trabalho, espera-se alcançar outros objetivos decorrentes dos apresentados nesse trabalho, como: Aumentar o volume de líquido transferido com a mesma infraestrutura instalada; Diminuir as violações aos limites operacionais da malha de escoamento; Diminuir as violações às especificações de tratamento do petróleo; Diminuir a subjetividade na operação das redes de escoamento; Pode-se concluir também que o uso do escalonamento sugerido pelo sistema permite uma diminuição da subjetividade na operação, das falhas humanas, e dos conflitos gerados pelos muitos objetivos do processo. 6.1 Trabalhos futuros Dada a coerência dos resultados obtidos nas simulações, é interessante testar o sistema com uma arquitetura de rede de escoamento real, e seus dados que tenham sido historiados. Um teste interessante é incorporar o sistema proposto a simuladores de processo comerciais para melhorar a complexidade dos modelos abordados. Se os resultados forem também satisfatórios, pode-se então partir para o teste do sistema em um ambiente de produção, com leituras das variáveis em tempo real. Para atingir outra necessidade da operação das redes de escoamento da produção de petróleo – citada no item 2.4 –, um trabalho futuro pode incorporar alguma forma de programação do processo. Essa programação requer que o sistema seja capaz de simular janelas de tempo futuras, o que implica em predições de variáveis do processo. Para a 38 Roberto Evelim Penha Borges, Agosto de 2013 predição de pressão, recomenda-se usar um modelo não fenomenológico, pelas mesmas razões apresentadas no item 3.2. Outro ponto interessante é a incorporação de regras que garantam o atendimento aos limites do duto principal. Por exemplo, verificar se a sugestão gerada em um dado momento não faz com que a pressão exceda o valor máximo estabelecido no projeto. Referências Bibliográficas Brasileiro, E. V. (2005). Um algoritmo genético para otimização do controle de redes de escoamento de petróleo. Dissertação (Mestrado em Ciência da Computação), Universidade Federal de Campina Grande, Centro de Ciências e Tecnologia, Departamento de Ciência da Computação, Coordenação de Pós-graduação em Informática, Campina Grande. Chan et al., C. W. (2008). Fuzzy logic control for a petroleum separation process. Engineering Applications of Artificial Intelligence, 21(6), pp. 835-845. Chan, C. W., Peng, Y., & Chen, L. L. (2003). Knowledge acquisition and ontology modeling for construction of a control and monitoring expert system. International Journal of Systems Science, 33(6), pp. 485-503. da Silva et al, H. V. (2005). Leak detection in petroleum pipelines using a fuzzy system. Journal of Petroleum Science and Engineering, 49(3-4), 223-238. da Silva, A. C. (1999). Otimização do transporte em oleodutos utilizando algoritmos genéticos e programação linear. Dissertação (Mestrado em Engenharia Eétrica), Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas. de Almeida et al, M. R. (2001). The energy minimization method: a multiobjective fitness evaluation technique and its application to the production scheduling in a petroleum refinery. Congress on Evolutionary Computation. Seoul, Korea: IEEE. Dukarm, J. J. (1993). Transformer oil diagnosis using fuzzy logic and neural networks. Canadian Conference on Electrical and Computer Engineering, (pp. 329-332). Vancouver, BC. Goldberg, D. E. (1985). Computer-Aided gas pipeline operation using genetic algorithms and rule learning. Engineering with Computers, 3(1), 35-45. Klose, C. D. (2002). Fuzzy rule-based expert system for short-range seismic prediction. Computers & Geosciences, 28(3), pp. 377-386. Lee, C. C. (1990). Fuzzy logic in control systems: fuzzy logic controller (parts I and II). IEEE Transactions on Systems, Man and Cybernetics, 20(2), pp. 404-430. Machado, É. C. (2006). Operação de redes de escoamento de petróleo utilizando algoritmo genético multi-objetivo. Dissertação (Mestrado em Engenharia Civil e Ambiental), Universidade Federal de Campina Grande, Centro de Tecnologia e Recursos Naturais, Pós-graduação em Engenharia Civil e Ambiental, Área de Concentração Engenharia de Recursos Hídricos, Campina Grande. Mandani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man–Machine Studies, 7, pp. 1-13. 40 Roberto Evelim Penha Borges, Agosto de 2013 Porto, R. L. (1997). Sistemas de suporte à decisão aplicados a problemas de recursos hídricos. In: R. L. Porto, Técnicas quantitativas para o gerenciamento de recursos hídricos. Porto Alegre: UFRGS. Ribeiro, M. A. (2010). Automação das Instalações de Produção de Petróleo (6ª ed.). Salvador: Tek. Sandri, S., & Correa, C. (1999). Lógica Nebulosa. V Escola de Redes Neurais (pp. 73-90). São José dos Campos - SP: Conselho Nacional de Redes Neurais. Santana, C. W. (2006). Calibração de um modelo de redes de escoamento de petróleo baseada no monitoramento em tempo real. Dissertação (Mestrado em Engenharia Civil e Ambiental), Universidade Federal de Campina Grande, Centro de Tecnologia e Recursos Naturais, Pós-graduação em Engenharia Civil e Ambiental, Área de Concentração Engenharia de Recursos Hídricos, Campina Grande. Silva et al, A. (2000). Using geneticalgorithm and simplex method to stabilize an oil treatment plant inlet flow. IPC2000 - International Pipeline Conference, (pp. 1459- 1466). Silveira, M. M. (2002). Teoria Fuzzy Intervalar: Uma Proposta de Integração da Matemática Intervalar à Teoria Fuzzy. Dissertação (Mestrado em Sistemas e Computação), Universidade Federal do Rio Grande do Norte, Departamento de Informática e Matemática Aplicada, Natal. Sugeno, M. (1985). An introductory survey of fuzzy control. Information Sciences, 36, pp. 59-83. Ternyik et al., J. (1995). Virtual measurement in pipes, part 1: flowing bottom hole pressure under multi-phase flow and inclined wellbore conditions. Society of Petroleum Engineers – Eastern Regional Conference & Exhibition. Thomas, J. E. (2004). Fundamentos de Engenharia de Petróleo (2ª ed.). Rio de Janeiro: Interciência. Turban, E. (1995). Decision support and expert systems: management support systems (4th ed.). Upper Saddle River, NJ, USA: Prentice-Hall. Weiss, W. W., Balch, R. S., & Stubbs, B. A. (2002). How artificial intelligence methods can forecast oil production. SPE/DOE Improved Oil Recovery Symposium. Tulsa, Oklahoma: Society of Petroleum Engineers Inc. Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, pp. 338-353. Zadeh, L. A. (1973). Outline of a new approach to the analysis of complex system and decision processes. IEEE Transactions on Systems, Man and Cybernetics, 3, pp. 28- 44.
Compartilhar