[en] OIL REFINERY OPERATIONAL PLANNING UNDER UNCERTAINTY

• Ano de defesa: 2021
• Autor(a) principal: GABRIELA PINTO RIBAS
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] PLANEJAMENTO; [pt] GERACAO DE CENARIOS; [pt] PROGRAMACAO ESTOCASTICA; [pt] REFINARIA; [en] PLANNING; [en] SCENARIO GENERATION; [en] STOCHASTIC PROGRAMMING; [en] REFINERY
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=55670&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=55670&idi=2; http://doi.org/10.17771/PUCRio.acad.55670

[pt] As companhias petrolíferas dedicam grande esforço para manter sua rentabilidade e melhorar sua eficiência, principalmente frente às incertezas presentes neste negócio. As empresas que pretendem manter a competitividade precisam planejar suas operações cada vez melhor e com maior segurança. Em face destas oportunidades e desafios, foi proposta no âmbito desta tese uma abordagem estocástica para o problema de planejamento operacional de refinarias. Neste sentido foi desenvolvido um modelo não-linear (NLP) de programação estocástica com dois estágios. O modelo proposto representa os processos de natureza não-linear presentes em uma refinaria, como as transformações químicas e o cálculo de qualidade dos derivados. Devido ao elevado nível de complexidade do problema NLP formulado, foram avaliados cinco métodos de solução associados aos principais solvers comerciais. Uma metodologia de geração de cenários e medidas de qualidade para árvore de cenários também foram definidas para representar adequadamente as incertezas presentes neste problema. A abordagem estocástica proposta neste trabalho foi avaliada considerando dados reais de uma refinaria brasileira. Os resultados finais desta pesquisa devem proporcionar avanços no processo de planejamento operacional de refinarias, explorando a técnica de programação não-linear (NLP) e os novos solvers disponíveis para problemas do tipo NLP. Pretende-se também gerar contribuições na área de programação estocástica, definindo medidas de qualidade para árvore de cenários que permitam uma melhor representação das incertezas e consequentemente um melhor uso da abordagem estocástica.