Algoritmo genético com chaves aleatórias para o problema de localização de plataformas de petróleo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorVianna, Dalessandro Soares-
Autor(es): dc.contributorVianna, Marcilene de Fátima Dianin-
Autor(es): dc.contributorMarques, Eduardo-
Autor(es): dc.creatorSouza, Lucas Campos Dal Piaz de-
Data de aceite: dc.date.accessioned2024-07-22T13:56:11Z-
Data de disponibilização: dc.date.available2024-07-22T13:56:11Z-
Data de envio: dc.date.issued2024-07-12-
Data de envio: dc.date.issued2024-07-12-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/33289-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/823302-
Descrição: dc.descriptionO presente trabalho apresenta uma solução para o problema de locação das UEPs (Unidades Estacio-nárias de Produção) e manifolds. Os diversos fatores relacionados aos sistemas submarinos de produção implicam na necessidade de otimização. Quanto maior a distância entre poços, manifolds e UEPs, maior é o custo envolvido entre eles. O método proposto é baseado na metaheurística Algoritmos Genéticos (AG) associada ao conceito de chaves randômicas, ou como Bean (1994) propôs, um algoritmo genético com chaves aleatórias. A implementação é dividida em classes, sendo elas CProblema, CSolução e CGenetico. A função de aptidão leva em conta as demandas atendidas e as capacidades envolvidas. Além destes fatores sãos relevantes os custos relacionados aos cabeamentos de risers, flowlines e jumpers. Para os experimentos, foram geradas cinco instâncias, as quais variam de acordo com número de poço, manifolds e UEPs. Para todas elas, é possível visualizar e comprovar que a melhora nos resultados está diretamente proporcional a quantidade de iterações. Por fim, é demonstrada a evolução da população através do gráfico de nuvem de pontos-
Descrição: dc.descriptionThe present work presents a solution for the problem of leasing UEPs and manifolds. The various factors related to underwater production systems imply the need for optimization. The greater the distances between wells, manifolds and UEPs, the greater the cost involved between them. The proposed method is based on the metaheuristic Genetic Algorithms (GA) associated with the concept of random keys, or as Bean (1994) proposed, random key genetic algorithms (RKGA). The implementation is divided into classes, which are: CProblema, CSolucao and CGenetico. The fitness function takes into account the demands met and the capacities involved. Besides these factors it is relevant the costs related to cabling of risers, flowlines and jumpers. For the experiments, five instances were generated, which vary according to number of wells, manifolds and UEPs. For all instances, it is possible to visualize and prove that the improvement in results is directly proportional to the number of iterations. Finally, the evolution of the population through the cloud chart of points is demonstrated-
Descrição: dc.description40 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAlgoritmo genético-
Palavras-chave: dc.subjectChaves aleatórias-
Palavras-chave: dc.subjectLocalização-
Palavras-chave: dc.subjectPlataformas de petróleo-
Palavras-chave: dc.subjectOtimização-
Palavras-chave: dc.subjectGenetic algorithm-
Palavras-chave: dc.subjectRandom keys-
Palavras-chave: dc.subjectLocation-
Palavras-chave: dc.subjectOil platforms-
Palavras-chave: dc.subjectOptimization-
Título: dc.titleAlgoritmo genético com chaves aleatórias para o problema de localização de plataformas de petróleo-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.