See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/262559757

A Utilização da Simulação de Monte Carlo na Determinação do Número Ótimo de

Sondas

Conference Paper · October 1998

CITATIONS READS

0 93

3 authors, including:

Ricardo de Melo e Silva Accioly

Rio de Janeiro State University
15 PUBLICATIONS   54 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Benchmarking View project

Operations Research View project

All content following this page was uploaded by Ricardo de Melo e Silva Accioly on 23 May 2014.

The user has requested enhancement of the downloaded file.

 IBP22298

A Utilização da Simulação de Monte Carlo na Determinação do Número

Ótimo de Sondas
Ricardo M. S. Accioly1, Jenner A. Martins2, Fernando Y. Chiyoshi3

Copyright 1998, Brazilian Petroleum Institute - IBP

This paper was prepared for presentation at the Rio Oil & Gas Conference held in Rio de Janeiro, Brazil, 5-8 October, 1998.

This paper was selected for presentation by the Event Technical Committee following review of information contained in an abstract submitted by the author(s). Contents of the
paper, as presented, have not been reviewed by the IBP. Organizers will neither translate nor correct texts received. The material, as presented, does not necessarily reflect
any position of the Brazilian Petroleum Institute, its officers, or members.

Abstract

This paper describes a simulation model used to enlighten the decision concerning the optimal number of
oilrigs used to replace electrical submersible pumps in oil wells. The oil production is made using an artificial
lifting method, each well have an electrical submersible pump. The unavailability of a oilrig will cause a delay
in the reestablishment of the normal production level of the system. In this aspect, the greater number of
available oilrigs results in a minimum effect of the pump failures. On the other side, these rigs are expensive,
so an excessive number will raise the operating costs.

Introdução

A Bacia de Campos localizada na costa do Estado do Rio de Janeiro, é responsável por

aproximadamente 70% da produção total de petróleo no Brasil. O conjunto de sete plataformas
relacionados com este trabalho correspondem a cerca de 10% da produção da Bacia de Campos. Estas
plataformas estão localizadas a 80 km da costa, na área nordeste da Bacia. Durante o desenvolvimento
dos campos de petróleo, em 1989, cada plataforma tinha sua própria sonda, deste modo as
completações foram feitas da forma mais rápida possível. Ao final de 1991, todos os poços estavam
produzindo e as operações de manutenção já haviam se iniciado. A necessidade de manutenção já no
início, deve-se a uma característica do método de elevação artificial utilizado. Bombas centrífugas
submersas tem uma tendência a falhas precoces, que são uma conseqüência das severas condições
operacionais a que são submetidas. Nesta fase inicial a política era de se manter todas as sondas nas
plataformas. Com o passar do tempo ficou claro que não havia necessidade de manter todas estas
sondas nas plataformas e ainda, que mantê-las todas em operação era muito dispendioso. A crescente
necessidade de redução de custos operacionais nos levou a adotar uma abordagem mais restritiva na
alocação dos recursos. O velho paradigma de maximizar a produção de petróleo foi trocado em face aos
novos desafios, os resultados globais tem um peso maior nas decisões.

Seção 1

Nesta seção apresentaremos as idéias básicas do que denominamos simulação de Monte Carlo e
também os aspectos gerais do modelo desenvolvido.
Os métodos usuais de obtenção do valor presente líquido (VPL), utilizam em geral uma abordagem
determinística para os valores considerados no seu cálculo. Entretanto sabemos que existe uma
margem de incerteza nos dados de entrada, desta forma, através da utilização da simulação podemos
agregar mais informações na análise econômica.
O método de Monte Carlo é adequado a modelos cujos componentes possam ser representados por
funções de distribuição de probabilidade. Os principais componentes de uma simulação baseada no
método são (1):
• Função distribuição de probabilidade – o modelo físico ou matemático tem que ser descrito por
um conjunto destas.
• Gerador de números aleatórios – uma fonte de números aleatórios uniformemente distribuídos no
intervalo entre um e zero deve estar disponível.

1
Msc. Production Engineering, Petroleum Engineer, PETROBRAS
2
Petroleum Engineer, PETROBRAS
3
Phd. Production Engineering, COPPE/UFRJ
 RICARDO M. S. ACCIOLY, JENNER A. MARTINS E FERNANDO Y. CHIYOSHI

• Regra de amostragem – é necessário a definição de um tipo de amostragem a ser feita nas

funções de distribuição de probabilidade.
• Contagem – os resultados deveram ser acumulados em contadores globais para os valores de
interesse.
• Estimativa do erro – uma estimativa do erro estatístico (variância) como uma função do número
de tentativas e outras quantidades devem ser determinadas.
Existem diversos programas disponíveis que fazem este tipo de simulação, não havendo
necessidade de se desenvolver um programa para utilização deste método. Um particularmente
adequado quando se deseja trabalhar no ambiente de planilhas eletrônicas, é o @Risk (2), ele
funciona em conjunto com o programa Excel, permitindo que facilmente seja desenvolvido um
modelo de simulação. Em geral, a maior parte do esforço será despendido na coleta de dados para
construção das distribuições de probabilidade das variáveis mais relevantes do modelo.
O modelo desenvolvido pode ser basicamente representado pelo diagrama de influência mostrado a
seguir:

Figura 1: Diagrama de influência simplificado do modelo

Para o desenvolvimento do modelo utilizamos os seguintes dados: no caso das distribuição de

perdas de petróleo por número de sonda, foi adotada uma distribuição normal com os valores
contidos na tabela 1. Observe-se que o número mínimo de sondas considerado foi de duas sondas.

Número de Sondas Vazão média perdida Desvio Padrão (m3/dia)

(m3/dia)
2 Sondas 3357,86 790,42

3 Sondas 512,09 311,62

4 Sondas 178,93 60,88

5 Sondas 150,71 29,94

6 Sondas 126,64 35,37

7 Sondas 108,28 35,54

Tabela 1: Valores utilizados para representar as perdas de petróleo esperadas

Os custos diários de sonda operando foram adotados como sendo uma normal com média US$
10.000 e desvio padrão de US$ 2.000, os custos diários aguardando operação foram representadas
por uma norma com média US$ 5.000 e desvio de US$ 1.000. Os preços de petróleo esperados

2
IBP22298 A Utilização da Simulação de Monte Carlo na Determinação do Número Ótimo de Sondas

foram representados por uma distribuição triangular com valor mais provável de US$ 16,40, mínimo
de US$ 15,40 e máximo de US$ 17,90. No caso das taxas de utilização e ociosidade de sonda
(esperadas), consideramos valores fixos para cada número de sonda (tabela 2). Estes últimos
valores e os de perda de produção foram obtidos previamente através de um modelo de simulação
mais complexo, utilizando-se de um outro programa, o Promodel (3).

Quantidade Taxa de Taxa de

de sondas Uso Ociosidade

2 Sondas 99,99 0,01

3 Sondas 89,74 10,26

4 Sondas 66,85 33,15

5 Sondas 50,98 49,02

6 Sondas 38,01 61,99

7 Sondas 29,91 70,09

Tabela 2 : Taxa de utilização e ociosidade de sonda para cada cenário.

Nos cálculos econômicos utilizamos uma taxa de atratividade de 15% ao ano e um fator de declínio
de produção de 10 % ao ano, o declínio foi considerado constante.
A análise foi feita para um horizonte de um ano, sendo que foi baseada no ganho (perda) tomando
como referência os resultados para duas sondas. Como estávamos trabalhando com taxas diárias de
sonda e também com perdas diárias, o passo inicial foi transformarmos as taxas de atratividade e de
declínio para o mesmo sub-período, em seguida obtivemos a taxa instantânea equivalente.

tadia = (1 + 0,15)
1 / 365
− 1 = 0.0003829828 (1)

tai = ln (1 + 0.0003829828) = 0.0003829094 (2)

td dia = (1 + 0,10 )
1 / 365
= 0.0002611579 (3)

tdi = ln (1 + 0.0002611579 ) = 0.0002611238 (4)

O resultado obtido a partir da taxa de atratividade foi usado para obter o fator de desconto das taxas
diárias de sonda operando e aguardando operação. Este é simplesmente o fator de transformação de
uma série uniforme para o valor presente. O resultado obtido foi 340,576 que deverá ser multiplicado
pelo valor da taxa diária correspondente. Os custos presentes neste modelo são somente os referentes
aos despendidos com as sondas, pois eles representam 80% dos custos totais das operações de
manutenção.
A razão da obtenção das taxas instantâneas é que utilizamos capitalização contínua. Outra
característica do modelo é a consideração de perdas esperadas declinantes, já que a produção do
campo está em declínio. O fator de desconto para este caso foi obtido através da equação abaixo
considerando um declínio constante (4). Este fator será multiplicado pela perda inicial correspondente.

fd =
[1 − e (
− tai + tdi )n
] (5)
tai + tdi
A partir destes dados ficou fácil desenvolver o modelo em uma planilha Excel, entretanto alguns
cuidados foram tomados na configuração do @Risk. O método de amostragem escolhido foi o hipercubo
latino (5) que é um método superior a amostragem aleatória simples. Sua vantagem pode ser resumida
no fato dele reduzir as possibilidades de baixa representatividade para os valores de pequena

3
 RICARDO M. S. ACCIOLY, JENNER A. MARTINS E FERNANDO Y. CHIYOSHI

probabilidade de ocorrência. Outro aspecto considerado foi o número de iterações usados na simulação,
este número é importante, pois ele vai garantir ou não a convergência da simulação realizada. O @Risk
permite que a convergência da simulação seja monitorada, no caso do modelo referido neste trabalho o
número de iterações adotado foi de 1000, sendo que a convergência foi sinalizada ao término da
simulação.

Seção 2

Nesta seção mostraremos os resultados obtidos, comentando alguns aspectos interessantes,

também mostraremos as análises de sensibilidade efetuadas a partir dos resultados.
O resumo estatístico obtido após a simulação (6) está representado na tabela 3, que apresentamos a
seguir.

Nome Lucro Lucro Lucro Lucro Lucro

3 sondas (US$) 4 sondas (US$) 5 sondas (US$) 6 sondas (US$) 7 sondas (US$)
Mínimo = -11.196.110,00 7.500.823,00 6.820.801,00 6.861.411,00 6.696.941,00
Máximo = 197.336.100,00 197.025.500,00 197.991.300,00 200.380.100,00 198.494.400,00
Média = 92.378.930,00 103.138.700,00 102.618.500,00 102.185.900,00 101.420.000,00
Des. Padrão = 28.654.230,00 27.107.840,00 26.928.480,00 26.940.900,00 27.079.760,00
Variância = 8,E+14 7,E+14 7,E+14 7,E+14 7,E+14
Assimetria = 0 0 0 0 0
Kurtose = 3 3 3 3 3
Moda = 96.226.370,00 116.066.200,00 84.915.620,00 123.871.000,00 100.824.300,00
10% Porc = 55.904.890,00 67.178.660,00 68.164.540,00 67.868.300,00 66.334.720,00
50% Porc = 91.802.860,00 102.920.200,00 102.167.200,00 101.976.600,00 100.921.300,00
75% Porc = 111.830.700,00 121.417.400,00 121.147.600,00 120.713.500,00 120.062.400,00
90% Porc = 129.019.400,00 137.659.200,00 137.845.000,00 137.026.100,00 136.428.500,00
95% Porc = 139.255.900,00 148.141.100,00 147.023.200,00 146.839.300,00 146.232.300,00
Tabela 3: Resumo estatístico da simulação do lucro esperado para cada número de sondas.

Na tabela 3 vemos diversas estatísticas da simulação tais como valor mínimo e máximo do lucro,
mas nos ateremos a analisar o valor médio esperado e as probabilidades acumuladas de realização de
lucros. Observando a tabela 3 vemos claramente que a utilização de somente três sondas é inviável,
pois a sua média esperada de lucros é inferior as demais em cerca de US$ 10.000.000,00. O cenário
referente a sete sondas também se mostra pouco favorável, embora não de forma tão gritante quanto o
anterior. Os cenários mais atraentes são os correspondentes a quatro e cinco sondas, sendo que pela
análise do valor médio o cenário quatro sondas é mais favorável. No entanto se analisarmos as
probabilidades acumuladas veremos que para a parte menos favorável da curva, no valor de 10% de
chance o quadro se inverte. O cenário cinco sondas apresenta perspectiva de um lucro provável maior.
Neste ponto fica interessante mostrarmos as análises de sensibilidade. Estas análises foram feitas
para verificarmos quais dados de entrada tem maior importância nos resultados obtidos. A primeira
análise foi feita através de diagramas de Tornado. Neste diagrama é representado o efeito individual de
cada variável de entrada do modelo que pode assumir valores aleatórios (para maior compreensão
consultar a referência 2). Os diagramas de Tornado para os cenários três e sete sondas são
apresentados a seguir nas figuras 2 e 3. Quando o coeficiente b assume valores positivos, o efeito de
seu incremento corresponde a um aumento no valor do resultado, ou seja, o lucro, o mesmo vale para o
oposto. A partir de uma análise ligeira dos gráficos percebe-se claramente a mudança de importância
das variáveis para cada cenário. Se no caso de três sondas as perdas esperadas, o preço do barril e as
taxas de sonda operando são as que mais se destacam, nesta ordem, vê-se em contrapartida a
mudança para o caso de sete sondas. Neste o preço do barril passa ter maior importância que as perdas
e o mais interessante, a taxa diária de sonda aguardando aparece como muito relevante para o
resultado.

4
IBP22298 A Utilização da Simulação de Monte Carlo na Determinação do Número Ótimo de Sondas

Figura 2: Diagrama de Tornado para o cenário 3 sondas de manutenção

Figura 3: Diagrama de Tornado para o cenário 7 sondas de manutenção

A análise de sensibilidade para somente uma variável independente apesar de trazer muitas
informações, tem suas limitações, uma vez que não permite analisar a interação de duas ou mais
variáveis simultaneamente. Existem técnicas gráficas para se analisar a interação da variação de duas
variáveis independentes ao mesmo tempo. É o que iremos apresentar a seguir para o cenário de cinco
sondas, a escolha das duas variáveis foi feita com base no diagrama de Tornado para este mesmo
cenário (figura 4). O gráfico em 3D nos mostra os lucros prováveis com relação as variáveis perdas de
petróleo e preço do barril. Para gerar a superfície foi assumido que os valores de perdas de petróleo

5
 RICARDO M. S. ACCIOLY, JENNER A. MARTINS E FERNANDO Y. CHIYOSHI

teriam como base o valor 150,71 m3/dia com variação de ± 50%, já para os preços de petróleo o valor
base foi US$ 16,57 com variação de ± 10%.

Figura 4: Diagrama de Tornado para o cenário 5 Sondas

Figura 5: Gráfico de Sensibilidade para Perdas de petróleo e Preço do barril

A interpretação do gráfico (figura 5) é simples, por ele vemos que quanto maior o preço do barril e
menor as perdas, maior é o lucro realizado. Entretanto algumas nuanças podem ser percebidas, a

6
 IBP22298 A Utilização da Simulação de Monte Carlo na Determinação do Número Ótimo de Sondas

variação dos lucros esperados é muito mais acentuada com relação ao preço do barril do que com
relação as perdas de petróleo. Portanto variações bruscas nas perdas são bem mais toleráveis do que
variações nos preços de petróleo, o que pode ser também observado na análise do gráfico de Tornado
para cinco sondas (figura 4).

Seção 3

A tomada de decisão sobre o número ideal de sondas de manutenção, tendo como base os
resultados da simulação e das análises de sensibilidade apresentadas, torna-se mais segura, uma vez
que se tem consciência dos riscos associados a elas. Estas análises servem como balizas para que não
se decida sem se saber quais são os riscos envolvidos na obtenção dos resultados esperados.
Estas análises nos ajudam também a atacar os pontos em que temos capacidade de gerenciar, tais
como a taxa diária de sonda aguardando. Nós vimos anteriormente que quando utilizamos o cenário
sete sondas (figura 3) a taxa diária aguardando tem um impacto significativo no resultado final. Isto é
uma sinalização de que caso desejarmos trabalhar com este número de sondas, deveremos atuar de
forma a minimizar estes valores.
Observando-se as figuras 2, 3 e 4, nota-se que a importância das variáveis do modelo se modifica de
acordo com o cenário (número de sondas) estudado. Ao se definir por um cenário devemos ficar atentos
aos valores utilizados nas variáveis mais relevantes.

Nomenclatura

VPL = Valor presente líquido

tadia = taxa de atratividade diária definida pela Eq. 1
tai = taxa de atratividade instantânea definida pela Eq. 2
tddia = taxa de declínio diária definida pela Eq. 3
tdi = taxa de declínio instantânea definida pela Eq. 4
fd = fator de desconto definido pela Eq. 5

Referências

1. CLEMEN, R.T.. Making Hard Decisions. 2 ed.,Washington, Duxbury Press, 1996. 657p.
2. WINSTON, W.L. Simulation Modeling Using @Risk, Washington, Duxbury Press, 1996. 229 p.
3. ACCIOLY, R. M. S. Modelando Manutenção de Poços no Pólo Nordeste. Macaé, Relatório Interno Petrobras,1997.
10p.
4. NEWENDORP, P.D. Decision Analysis For Petroleum Exploration, Tulsa, Petroleum Publishing Company,1975.
663p.
5. MACKAY,M.D. et Alii. A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of
Output from a Computer Code, Technometrics, VOL. 21, NO.2, maio 1979. p. 239-245.
6. ACCIOLY, R. M. S. Simulação da Manutenção de Poços no Pólo Nordeste. Macaé, Relatório Interno
Petrobras,1997. 12p.

View publication stats