Monop

MODELAGEM, SIMULAÇÃO E CONTROLE VIA BUSCA EXTREMAL DE
POÇOS OPERANDO POR GAS-LIFT
Arthur Fernandes dos Santos Xaud
Projeto de Graduação apresentado ao Curso de
Engenharia de Controle e Automação da Escola
Politécnica, Universidade Federal do Rio de
Janeiro, como parte dos requisitos necessários
à obtenção do título de Engenheiro.
Orientador: Alessandro Jacoud Peixoto
Rio de Janeiro
Março de 2014
MODELAGEM, SIMULAÇÃO E CONTROLE VIA BUSCA EXTREMAL DE
POÇOS OPERANDO POR GAS-LIFT
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO
CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO DA ESCOLA
POLITÉCNICA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO
PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU
DE ENGENHEIRO DE CONTROLE E AUTOMAÇÃO.
Examinado por:
Prof. Alessandro Jacoud Peixoto, D.Sc.
Prof. Argimiro Resende Secchi, D.Sc.
Prof. Tiago Roux Oliveira, D.Sc.
RIO DE JANEIRO, RJ BRASIL
MARÇO DE 2014
Xaud, Arthur Fernandes dos Santos
Modelagem, Simulação e Controle via Busca Extremal
de Poços Operando por Gas-Lift /Arthur Fernandes dos
Santos Xaud. Rio de Janeiro: UFRJ/ Escola Politécnica,
2014.
XIII, 82 p.: il.; 29, 7cm.

Projeto de Graduação UFRJ/ Escola Politécnica/
Curso de Engenharia de Controle e Automação, 2014.
Referências Bibliográcas: p. 80 82.
1. Controle Adaptativo. 2. Busca Extremal. 3.
Poços de Petróleo. 4. Elevação Articial. 5.
Injeção de gás. 6. Identicação de modelos. I.
Peixoto, Alessandro Jacoud. II. Universidade Federal do
Rio de Janeiro, Escola Politécnica, Curso de Engenharia
de Controle e Automação. III. Título.
iii
Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como
parte dos requisitos necessários para a obtenção do grau de Engenheiro de Controle
e Automação.
Modelagem, Simulação e Controle via Busca Extremal de Poços Operando por
Gas-Lift
Março/2014
Curso: Engenharia de Controle e Automação
Na engenharia de petróleo, os reservatórios precisam de pressão suciente para ele-
var os uidos até a superfície. Quando a vazão de produção do poço encontra-se
abaixo de uma taxa economicamente viável, devido ao decaimento natural da pres-
são do reservatório, das condições geométricas do poço ou das características do
uido, costuma-se utilizar métodos de elevação articial. O método de gas-lift é
um dos métodos mais conhecidos de elevação articial sendo largamente utilizado
na indústria do petróleo. Em poços operando com gas-lift, a produção de óleo em
regime permanente depende da vazão de gás injetado no poço, sendo este um parâ-
metro fundamental para maximizar a produção. A curva que representa a relação
entre a produção de óleo e a vazão de gas-lift é chamada de curva de performance
de poço (CPP). Através do conhecimento prévio da CPP, seria possível utilizar mé-
todos de otimização para encontrar o ponto ótimo de injeção de gás. Entretanto, as
CPPs são estimadas através de modelos matemáticos e não representam de forma
conável o comportamento do poço. Nesse contexto, o controle adaptativo de busca
extremal aparece como uma importante ferramenta para processos não lineares, pois
independe do conhecimento do modelo e é robusto a incertezas paramétricas. O ob-
jetivo deste trabalho é estudar a aplicação e sintonia do algoritmo de busca extremal
em processos de poços de petróleo sujeitos ao método de elevação articial por gas-

lift visando à maximização da produção de óleo em função da vazão de injeção de
gás no poço.
Palavras-chave: Controle Adaptativo, Busca Extremal, Poços de Petróleo, Elevação
Articial, Injeção de gás, Identicação de modelos.
iv
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulllment
of the requirements for the degree of Engineer.
MODELLING, SIMULATION AND EXTREMUM SEEKING CONTROL OF
GAS LIFTED WELLS
March/2014
Advisor: Alessandro Jacoud Peixoto
Course: Control and Automation Engineering
In Petroleum Engineering, reservoirs need enough pressure to lift uids to surface.
When production rates are under economically unviable rates, due to natural reser-
voir pressure loss, to the geometric conditions of the well or the characteristics of
uids, there are usually used articial lift methods. The gas-lift is one of the most
popular methods and is widely used in the petroleum industry. At gas-lifted wells,
oil production in steady state depends on the rate of gas injected and this is therefore
a fundamental parameter to maximize oil production. The curve that represents the
relationship between oil production and gas-lift owrate is called Well Performance
Curve (WPC). Through prior knowledge of the WPC, it would be possible to use
optimization methods to nd the optimum gas-lift injection rate. However, WPCs
are estimetad using mathematical models and do not represent reliably the behavior
of the well. In this context, Extremum Seeking adaptative control appears as an
important tool to be used in non-linear processes, for been model-free and robust
to uncertainties of parameters. The objective of this work is to study the applica-
tion and tunning of Extremum Seeking algorithm in gas-lift well models in order to
maximize oil production rates in steady state due to gas-lift optimal injection rate.
Keywords: Adaptative Control, Extremum Seeking, Oil Wells, Articial lift, Gas-lift,
Model Identication.
v
Agradecimentos
Agradeço à minha mãe, Hilda Maria Pereira dos Santos, que esteve sempre ao
meu lado e meu forneceu educação para me tornar a pessoa que sou hoje.
Agradeço ao meu pai Carlos Eduardo Xaud Costa que, embora nem sempre tão
perto, me ajudou com o que pôde durante a graduação.
Agradeço ao meu irmão João Fernandes por distrair minha atenção durante quase
todo o período da graduação, tornando minha vida mais complicada porém inni-
tamente mais feliz.
Agradeço ao meu primo Marco Xaud que, como um grande irmão, me acompa-
nhou por toda minha vida acadêmica compartilhando os problemas e as soluções
encontradas até agora.
Agradeço à minha namorada Bruna Novis por me relembrar a importância da
faculdade nos momentos mais difíceis, trazendo consigo uma nova razão para o m
do curso.
Agradeço aos meus avós Joaquim Fernandes e Margarida Pereira por me fornece-
rem educação e carinho, servindo sempre como exemplo de caráter e honestidade.
Agradeço aos meus amigos que tornaram a execução deste trabalho muito mais
prazerosa.
Agradeço à Universidade Federal do Rio de Janeiro que forneceu um ensino de
excelência e embasamento técnico suciente para a realização deste trabalho.
Finalmente, agradeço ao meu professor e orientador, Alessandro Jacoud Peixoto,
por todo tempo que passamos juntos pensando em equações, modelos e simulações.
vi
Sumário
Lista de Figuras ix
Lista de Tabelas xii
Lista de Abreviaturas xiii
1 Introdução 1
1.1 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Revisão Bibliográca 5
3 Modelo do Poço 10
3.1 Modelo de Eikrem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Modelo de Eikrem Modicado . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Modelo do Ponto de Vista de Controle . . . . . . . . . . . . . . . . . 24
3.4 Implementação do Modelo Estático . . . . . . . . . . . . . . . . . . . 26
3.4.1 Análise Teórica . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.4.2 Análise de Resultados . . . . . . . . . . . . . . . . . . . . . . 27
3.4.3 Aproximações para o modelo . . . . . . . . . . . . . . . . . . . 31
3.5 Implementação do Modelo Dinâmico . . . . . . . . . . . . . . . . . . 33
3.5.1 Validação dos Modelos Implementados . . . . . . . . . . . . . 34
3.5.2 Análise do modelo . . . . . . . . . . . . . . . . . . . . . . . . 36
3.6 Proposta de um Novo Modelo . . . . . . . . . . . . . . . . . . . . . . 41
4 Busca Extremal 49
4.1 Formulação do Problema . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2 Algoritmo de Busca Extremal . . . . . . . . . . . . . . . . . . . . . . 51
4.3 Implementação do Controle por Busca Extremal . . . . . . . . . . . . 56
4.4 Solução Proposta para Altas Frequências . . . . . . . . . . . . . . . . 69
4.4.1 Resultados Preliminares . . . . . . . . . . . . . . . . . . . . . 70
vii
5 Conclusão 77
5.1 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Referências Bibliográcas 80
viii
Lista de Figuras
1.1 Divisão percentual dos métodos de elevação do petróleo na produção
da Petrobras em 2009 Fonte: (RIZZO FILHO, 2011) . . . . . . . . . 3
2.1 Curva de gas-lift com a região ótima de injeção de gás para poços
com instabilidade casing head. Fonte: (EIKREM et al., 2004) . . . . . 6
2.2 Esquema simplicado de uma planta operando por gas-lift. Fonte:
(PALKE, 1996) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Modelo de Hammerstein. Fonte: (SANTOS, 2007) . . . . . . . . . . . 8
3.1 Poço operando por gas-lift. Fonte: (EIKREM et al., 2005) . . . . . . 12
3.2 Poço operando por gas-lift com a representação das pressões e vazões
do modelo. Fonte: Adaptado de (EIKREM et al., 2005) . . . . . . . . 13
3.3 Curva de performance de poço obtida pelo modelo estático . . . . . . 28
3.4 Curva da massa de gás no anular x1 pela entrada wgc . . . . . . . . . 29
3.5 Curva da massa de gás na coluna x2 pela entrada wgc . . . . . . . . . 30
3.6 Curva da massa de óleo na coluna x3 pela entrada wgc . . . . . . . . . 30
3.7 Curvas auxiliares para justicativa da concavidade da CPP . . . . . . 31
3.8 Curva da pressão no ponto de injeção de gás na coluna pwi e da pressão

de fundo de poço pwb . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.9 Modelo de Eikrem Modicado implementado no EMSO no Simulink . 33
3.10 Modelo de Eikrem Modicado implementado em uma s-function no

Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.11 Diagrama de blocos para validação dos modelos implementados uti-
lizando degraus na entrada . . . . . . . . . . . . . . . . . . . . . . . . 34
3.12 Sequência de degraus aplicada aos modelos . . . . . . . . . . . . . . . 35
3.13 Resposta à sequência de degraus aplicada aos modelos . . . . . . . . . 35
3.14 Diagrama de blocos para validação dos modelos implementados uti-
lizando senóide na entrada . . . . . . . . . . . . . . . . . . . . . . . . 36
3.15 Senóide aplicada ao modelo . . . . . . . . . . . . . . . . . . . . . . . 36
3.16 Resposta do modelo a uma senóide . . . . . . . . . . . . . . . . . . . 37
3.17 Resposta ao degrau positivo . . . . . . . . . . . . . . . . . . . . . . . 38
ix
3.18 CPP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.19 Resposta do sistema a uma senóide rápida . . . . . . . . . . . . . . . 39
3.20 Resposta do sistema a uma senóide rápida amplicada após o sistema
entrar em equilíbrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.21 Resposta do sistema a uma senóide média . . . . . . . . . . . . . . . 40
3.22 Resposta do sistema a uma senóide lenta . . . . . . . . . . . . . . . . 41
3.23 CPP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.24 Estimativa de x3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.25 Erro da estimativa de x3 . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.26 Estimativa de x2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.27 Erro da estimativa de x2 . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.28 Modelo auxiliar proposto . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.29 Sequência de degraus aplicada na entrada do novo modelo . . . . . . 46
3.30 Resposta do modelo com aproximações de primeira ordem à sequência
de degraus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.31 Resposta do modelo com aproximações de ordem alta à sequência de
degraus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.32 Resposta do modelo a uma senóide . . . . . . . . . . . . . . . . . . . 48
4.1 Algoritmo de Busca Extremal para plantas com dinâmica. Fonte:
(KRSTI e WANG, 2000) . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Modelo estático com resposta em fase com a entrada. Fonte: Adap-
tado de (PALKE, 1996) . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.3 Sinais em fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Sinais em contrafase . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5 Representação da multiplicação dos sinais de entrada e saída sem o
nível DC. Fonte: (PALKE, 1996) . . . . . . . . . . . . . . . . . . . . 54
4.6 Algoritmo de Busca Extremal para plantas com dinâmica. Fonte:
(KRSTI e WANG, 2000) . . . . . . . . . . . . . . . . . . . . . . . . 55
4.7 Diagrama de blocos do método de busca extremal . . . . . . . . . . . 56
4.8 Curva estática da relação entre a saída e a entrada da função de exemplo 57
4.9 Entrada e saída do sistema sob uma perturbação senoidal com nível
médio inferior ao ponto ótimo . . . . . . . . . . . . . . . . . . . . . . 58
4.10 Entrada sem nível médio e saída com nível médio ltrado pelo passa-
alta. (Para entradas com nível médio inferior ao ponto ótimo) . . . . 58
4.11 Sinal após a multiplicação das senóides ltrado pelo passa-baixa e
não ltrado (Para entradas com nível médio inferior ao ponto ótimo) 59
4.12 Entrada e saída do sistema sob uma perturbação senoidal com nível
médio superior ao ponto ótimo) . . . . . . . . . . . . . . . . . . . . . 59
x
alta. (Para entradas com nível médio superior ao ponto ótimo) . . . . 60
não ltrado. (Para entradas com nível médio superior ao ponto ótimo 60
4.15 Entrada e saída do sistema em malha fechada . . . . . . . . . . . . . 61
alta em malha fechada. . . . . . . . . . . . . . . . . . . . . . . . . . . 61
não ltrado em malha fechada. . . . . . . . . . . . . . . . . . . . . . 62
4.18 Saída do integrador em malha fechada . . . . . . . . . . . . . . . . . 62
4.19 Diagrama de blocos do algoritmo de buca extremal implementado . . 63
4.20 Entrada e saída sem nível médio para pontos inferiores ao ponto
ótimo. (Perturbação rápida) . . . . . . . . . . . . . . . . . . . . . . . 64
4.21 Entrada e saída sem nível médio para pontos superiores ao ponto
ótimo. (Perturbação rápida) . . . . . . . . . . . . . . . . . . . . . . . 64
ótimo. (Perturbação média) . . . . . . . . . . . . . . . . . . . . . . . 65
ótimo. (Perturbação média) . . . . . . . . . . . . . . . . . . . . . . . 65
ótimo. (Perturbação lenta) . . . . . . . . . . . . . . . . . . . . . . . . 66
ótimo. (Perturbação lenta) . . . . . . . . . . . . . . . . . . . . . . . . 66
4.26 Saída do integrador como estimativa do ponto ótimo . . . . . . . . . 67
4.27 Saída do integrador ampliada . . . . . . . . . . . . . . . . . . . . . . 68
4.28 Saída do sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.29 Saída do sistema ampliada . . . . . . . . . . . . . . . . . . . . . . . . 69
4.30 Diagrama de Blocos Principal. . . . . . . . . . . . . . . . . . . . . . . 71
4.31 Modelo Proposto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.32 Detector de Fase: PLL. . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.33 ESC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.34 Maximizante e Vazão wiv , período de oscilação de 3 dias. . . . . . . . 74
4.35 Fase e Ganho Estimados pelo PLL, período de oscilação de 3 dias. . . 75
4.36 Maximizante e Vazão wiv , período de oscilação de 1 dia. . . . . . . . . 75
4.37 Fase e Ganho Estimados pelo PLL, período de oscilação de 1 dia. . . 75
4.38 EMSO: Maximizante e Vazão wiv , período de oscilação de 3 dias. . . . 76
4.39 EMSO: Fase e Ganho Estimados pelo PLL, período de oscilação de 3
dias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
xi
Lista de Tabelas
3.1 Tabela de símbolos do modelo . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Parâmetros do Poço . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
xii
Lista de Abreviaturas
AC - Alternating Current
CPP - Curva de Performance de Poço
DC - Direct Current
ESC - Extremum Seeking Control
GLC - Gas-Lift Contínuo
IPR - Inow Performance Curve
PI - Proporcional-Integral
RGO - Razão Gás-Óleo
SISO -Single input Single output

TPR - Tubing Pressure Requirement
WPC - Well Performance Curve
xiii
Capítulo 1
Introdução
Atualmente, o petróleo é um recurso essencial para a sociedade em todo o mundo,
pois seus derivados são largamente utilizados como fonte de energia em indústrias
e meios de transportes. Com o advento da petroquímica, além da utilização dos
derivados, centenas de novos compostos são produzidos tornando os hidrocarbo-
netos fundamentais no desenvolvimento de plásticos, borrachas, tintas, corantes,
solventes, explosivos, produtos farmacêuticos, cosméticos, entre outros. Portanto, o
petróleo além de produzir combustível, tornou-se imprescindível para as facilidades
e comodidades cotidianas (THOMAS, 2001).
No Brasil, as pesquisas em petróleo alavancaram com o monopólio estatal associ-
ado à criação da Petrobras, em 1953. Desde sua criação, a Petrobras já descobriu
petróleo nos estados do Amazonas, Pará, Maranhão, Ceará, Rio Grande do Norte,
Alagoas, Sergipe, Bahia, Espírito Santo, Rio de Janeiro, Paraná, São Paulo, e Santa
Catarina. A produção de petróleo no Brasil cresceu de 750 m3 /dia na época da
criação da Petrobras para mais de 182.000 m3 /dia no nal dos anos 90, devido aos
contínuos avanços tecnológicos de perfuração e produção na plataforma continental
(THOMAS, 2001).
A extração dos hidrocarbonetos é feita retirando-se os uidos do interior das rochas
de formações geológicas chamadas de reservatórios. Para que o uido seja elevado
1
até a superfície, é necessária a existência de um poço de petróleo que funciona
como um canal para o escoamento do petróleo. Quando o uido multifásico chega
à superfície ele é direcionado para uma planta de processamento primário que irá
realizar a separação das principais fases presentes no uido e o tratamento do óleo
para o reno, e da água para o descarte (RIBEIRO, 2012).
Quando a pressão do reservatório é sucientemente alta, os uidos contidos em
seu interior alcançam livremente a superfície, sendo denominados produzidos por
elevação natural. Nesses casos, toda a energia utilizada para elevar os uidos é
proveniente do reservatório. Os poços que produzem dessa forma são chamados de
poços surgentes (THOMAS, 2001).
Quando a pressão do reservatório não é alta o suciente, os uidos não conse-
guem chegar até a superfície, sendo necessária a utilização de métodos articiais de
elevação. O mesmo acontece quando os poços estão no nal de sua vida produtiva
por surgência ou quando a vazão do poço se encontra abaixo do seu potencial de
produção (THOMAS, 2001).
O principal método de elevação articial é o gas-lift conforme indica a Figura
1.1, que consiste em aplicar gás comprimido no espaço anular do poço para que
este seja injetado no fundo da coluna de produção diminuindo a densidade média
do uido elevado. Dessa forma, o uido se torna mais leve diminuindo a perda de
carga gravitacional, o que possibilita maiores vazões de produção na saída do poço
(RIBEIRO, 2012).
No Brasil, a maior parte do óleo produzido é extraído de campos oshore sendo
o gas-lift o principal método de elevação utilizado nesses poços (RIBEIRO, 2012).
2
Figura 1.1: Divisão percentual dos métodos de elevação do petróleo na produção
da Petrobras em 2009 Fonte: (RIZZO FILHO, 2011)
1.1 Objetivo
Uma vez que o poço passa a produzir através da injeção de gás, a vazão de injeção
se torna um fator importante para maximizar a vazão de produção na saída do poço.
O objetivo deste trabalho é utilizar um método de controle adaptativo de busca
extremal para encontrar a vazão de injeção de gás em um poço que maximiza sua
produção de óleo em regime permanente. Dessa forma, espera-se obter um ganho
nanceiro para exploração de um poço de petróleo e, com um resultado positivo do
algoritmo, tornar possível a aplicação do método para diferentes funções objetivo.
Através deste trabalho também espera-se compreender melhor a dinâmica do poço
operando por gas-lift e a aplicação do método de busca extremal em modelos está-
ticos e dinâmicos.
1.2 Estrutura do Trabalho

Este trabalho está organizado da seguinte forma:
No Capítulo 3 são apresentados os modelos matemáticos para poços operando por
gas-lift e uma interpretação física das equações. Nele também é feita uma expansão
do modelo para interpretação do ponto de vista de controle. Os modelos estáticos e
dinâmicos são implementados computacionalmente e são apresentados os resultados
a estimulações com diferentes sinais. Por último, é proposto um novo modelo uti-
3
lizando ltros passa-baixa para representar de forma simplicada o funcionamento
do sistema.
O Capítulo 4 apresenta a formulação do problema do ponto de vista de busca
extremal, com uma explicação em seguida do funcionamento do método. O algo-
ritmo então é aplicado através de simulações em uma função estática como exemplo
para avaliar seu comportamento, e em seguida no modelo dinâmico do poço imple-
mentado no Capítulo 3. Os resultados e críticas do método são apresentados e são
propostas novas estratégias para melhorar o desempenho do algoritmo.
O trabalho é nalizado com conclusões, contribuições do trabalho e sugestões de
trabalhos futuros.
4
Capítulo 2
Revisão Bibliográca
A busca pela maximização da produção de petróleo em plataformas vem sendo
objeto de estudo do meio acadêmico. Com a atual demanda de óleo como energia
e matéria prima fundamentais nos principais segmentos da sociedade, o capital en-
volvido nesse setor é extremamente signicativo. Nesse contexto, pequenos ganhos
percentuais representam ganhos altos nanceiros, o que estimula o desenvolvimento
de estudos em novas técnicas de controle e otimização de processos.
Na literatura, a maioria dos trabalhos busca melhorar as condições de operação
dos poços através de um controle regulatório, manipulando o choke de produção.
Dessa forma, é possível aumentar a produção variando os set points das vazões de
injeção de gás com técnicas de controle ou de otimização.
Em EIKREM et al. (2005) é feita uma modelagem matemática para o sistema
de gas-lift em poços de petróleo a m de estudar os princípios físicos das golfadas
severas, oscilações na saída do poço causadas pelo fenômeno cíclico de instabilidades
casing head. Neste trabalho, é utilizada uma malha fechada de controle proporcional-
integral (PI) para manipular a abertura do choke de produção levando as pressões
de fundo de poço e da cabeça do poço para um set point desejado. Dessa forma, o
processo se torna não oscilatório permitindo maiores aberturas do choke de produção

e, consequentemente, maior produção de óleo. O modelo matemático foi validado
5
experimentalmente e atualmente é a principal modelagem utilizada em estudos de
controle de gas-lift.
Figura 2.1: Curva de gas-lift com a região ótima de injeção de gás para poços com
instabilidade casing head. Fonte: (EIKREM et al., 2004)
Outros trabalhos do mesmo grupo também podem ser destacados. Em EIKREM
et al. (2002) o controle é aplicado para um modelo com dois poços compartilhando
a mesma fonte de gás. Em EIKREM et al. (2004) o modelo de poço simples passa
por um processo de estimação de estados utilizando um ltro de Kalman, enquanto
em AAMO et al. (2004) o mesmo processo é feito substituindo o ltro por um
observador. Em IMSLAND et al. (2004) o processo é estabilizado através de uma
realimentação de estados.
Em RIZZO FILHO (2011), a equação elaborada por Alarcón é utilizada como
modelo de ajuste para a curva de performance de poço (CPP) com o objetivo de
encontrar a taxa ótima com restrições de gas-lift em grupos de poços, com maior
representatividade. No trabalho é feita uma análise comparativa em termos de
ganhos na vazão de óleo no poço entre a CPP proposta por Alarcón e o modelo de
segunda ordem tradicional. Essa análise é validada em um estudo de caso utilizando
o método de mínimos quadrados para ajustar as curvas a dados reais coletados de um
poço. O trabalho mostra também a robustez do algoritmo não linear de otimização
Gradiente Reduzido Generalizado em comparação com o algoritmo Genético.
6
RIBEIRO (2012), em seu trabalho, fez alterações no modelo de poço proposto
por EIKREM et al. (2005) para considerar as perdas de carga causadas pelo atrito
ao trabalhar com maiores vazões de injeção de gás. Esse modelo foi conectado
a um modelo de riser desenvolvido por SKOGESTAD e STORKAAS (2002) e de
separador desenvolvido por NUNES (1994), de forma que a linha de gás da saída
do separador trifásico alimentasse o compressor do sistema de injeção de gás no
poço. Durante o trabalho, foi implementado um modelo computacional no simulador
EMSO ( Environment for Modelling Simmulation and Optimization ) (SOARES e
SECCHI, 2003) que representa uma unidade de produção oshore, contemplando o

sistema do poço até a planta de processamento. Nesse modelo, é então aplicado um
algoritmo de controle preditivo multivariável para encontrar a vazão de injeção de
gás que maximiza a produção de óleo na saída do separador. O trabalho COTA e
REIS (2012) também apresenta controle preditivo aplicado a sistemas de produção
oshore.
Figura 2.2: Esquema simplicado de uma planta operando por gas-lift. Fonte:
(PALKE, 1996)
NOGUEIRA (2012), em seu trabalho, utiliza o modelo de poço de EIKREM et al.

(2005) modicado por RIBEIRO (2012) para identicar um modelo de Hammerstein
como uma função estática não linear seguida de uma dinâmica linear. O novo modelo
é utilizado em conjunto com métodos de controle adaptativo de busca extremal para
7
encontrar a vazão de injeção que maximiza a produção de óleo em um poço operando
por gas-lift sem restrições.
Figura 2.3: Modelo de Hammerstein. Fonte: (SANTOS, 2007)
A diculdade de estimar curvas de performance de poço (CPP) conáveis atra-
vés de modelos matemáticos de processos não lineares e com incerteza paramétrica
motivou a busca por um método adaptativo que fosse robusto para esse tipo de
problema. A busca extremal é um método de otimização em tempo-real, não base-
ado em modelo para supostos sistemas com mapeamento em equilíbrio não linear,
contendo pontos de mínimos ou máximos locais. O algoritmo encontra o ótimo do
sistema estimando o gradiente de uma função objetivo levando o gradiente para zero.
A estimativa do gradiente é feita através de aplicação de uma perturbação periódica,
em geral senoidal. O interesse pela busca extremal ressurgiu recentemente com aná-
lise de estabilidade realizada em KRSTI e WANG (2000) para sistemas contínuos
e CHOI et al. (2002) para sistemas discretos. Nos trabalhos é feita a primeira prova
formal de estabilidade para esse método de controle, demonstrando as condições de
estabilidade e a forma de sintonizar o controlador.
O algoritmo de busca extremal vem apresentando uma série de trabalhos na lite-
ratura com aplicações bem sucedidas, incluindo o rastreamento do ponto de maior
potência em células fotovoltaicas YAU e WU (2011), correspondência de feixes de
partículas SCHUSTER et al. (2007), controle de instabilidades na combustão BA-
NASZUK et al. (2004), maximização de aumento da pressão em compressores axi-

ais de uxo WANG et al. (2000) e minimização de ciclos limite WANG e KRSTÍC
(2000). Outros estudos propondo melhorias no algoritmo incluem GHAFFARI et al.
(2012) onde o método de estimação do gradiente é comparado com o método de New-
ton, e KRSTÍC (2000) onde são demonstradas as limitações do algoritmo de busca
8
extremal e formas de melhorar seu desempenho.
Outras estratégias de controle via busca busca extremal podem ser encontradas em
OLIVEIRA et al. (2012) e PEIXOTO e OLIVEIRA (2012) que utilizam controle por
modo deslizante associado à busca extremal. Em PEIXOTO e OLIVEIRA (2014)
uma realimentação de saída é utilizada para sistemas não lineares com grau relativo
arbitrário e em OLIVEIRA et al. (2011) a realimentação de saída e o controle por

modo deslizante é feito através de chaveamentos periódicos.
9
Capítulo 3
Modelo do Poço
Este trabalho tem o objetivo de estudar a aplicação de métodos de controle por
busca extremal manipulando a vazão de gás injetado em um poço para maximizar
sua produção de óleo em regime permanente.
Para simular o efeito do algoritmo de busca extremal no processo foi implementado
um modelo matemático computacional da dinâmica do poço. O modelo de poço
utilizado foi descrito em EIKREM et al. (2005) e modicado em RIBEIRO (2012)

para contemplar as perdas de cargas por atrito geradas para condições de altas
vazões de injeção de gás. Este modelo havia sido implementado no simulador EMSO
( Environment for Modeling Simulation and Optimization ) em RIBEIRO (2012) e
integrado ao simulador Simulink através de uma interface. O mesmo modelo foi
implementado em uma s-function do Matlab para validar a equivalência dos modelos.

Dessa forma, foi possível observar o comportamento do sistema tanto em malha
aberta quanto em malha fechada com o controle.
Durante o trabalho também foi identicado um novo modelo linear seguido de
ltros passa-baixa cujo comportamento melhor aproximasse as características di-
nâmicas do sistema. O objetivo foi analisar a sensibilidade das variáveis para, em
conjunto com as equações do modelo não-linear, encontrar a melhor sintonia para
os parâmetros de controle.
10
A seguir são mostrados os modelos matemáticos implementados, as modicações
realizadas e o novos modelos propostos.
3.1 Modelo de Eikrem

O modelo base escolhido para representar a dinâmica do poço de produção foi
descrito por EIKREM et al. (2005) com o objetivo de estudar os princípios físicos do
fenômeno de golfadas severas ( casing head instabilities ). O presente fenômeno ocorre
em poços sob condições especícas de geometria, abertura do choke de produção e
vazão de injeção de gás. Nesses poços, quando a vazão de gás injetado é baixa,
ocorre um processo cíclico de abertura e fechamento da válvula de injeção de gás
na coluna causando oscilações na vazão de óleo na saída. Essas oscilações, além de
diminuírem o nível total de produção causam sérios problemas no processamento
dos equipamentos a jusante do poço. O trabalho de HU (2004) contém maiores
informações sobre o fenômeno de casing head instabilities. O modelo de EIKREM
et al. (2005) foi validado experimentalmente e é largamente utilizado na literatura.
A modelagem considera várias hipóteses para realizar simplicações matemáticas,
capturando melhor o efeito das golfadas. As principais são:
• Pressão do reservatório pr é considerada constante.
Devido ao grande tamanho dos reservatórios, essa pressão diminui lenta-
mente com o passar dos anos como consequência da depletação do poço
(perda de pressão).
• Pressão a jusante do choke ps é considerada constante.
Supondo que existe uma malha fechada de controle que a mantém xa,
ou por características da linha ou do equipamento a jusante do poço.
• Vazões que passam pelas válvulas possuem apenas um sentido.
11
Figura 3.1: Poço operando por gas-lift. Fonte: (EIKREM et al., 2005)
As válvulas são consideradas check valves, ou seja, válvulas que permitem

passagem em apenas um sentido.
• Escoamento bifásico na coluna, considerando água e óleo como uma única fase.
O uido que vem do reservatório, em geral, é multifásico contendo óleo,
gás-natural, água e sedimentos sólidos.
• Razão gás-óleo (rgo ) constante.
• Massas de gás e óleo variando lentamente.
• Massa molar do gás e massa especíca do óleo consideradas constantes.
• Temperatura do anular e da coluna de produção consideradas constantes.
12
Figura 3.2: Poço operando por gas-lift com a representação das pressões e vazões
do modelo. Fonte: Adaptado de (EIKREM et al., 2005)
O processo é modelado por um sistema não linear e possui três estados que cor-
respondem a balanços de massa, sendo x1 a massa de gás no anular, x2 a massa de
gás na coluna de produção e x3 a massa de óleo na coluna de produção acima do
ponto de injeção. Através da Figura 3.2 observa-se que:
x˙1 = wgc − wiv , (3.1)
x˙2 = wiv + wrg − wpg , (3.2)
x˙3 = wro − wpo , (3.3)
13
Onde ˙ representa diferenciação com relação ao tempo, wgc é a vazão de injeção
de gás no anular e corresponde à variável de entrada do sistema u1 , wiv é a vazão
do anular para a coluna de produção, wrg é a vazão de gás do reservatório para a
coluna de produção, wpg é a vazão de gás que passa pelo choke de produção, wro é
a vazão de óleo do reservatório para a coluna de produção, e wpo é a vazão de óleo
produzido que passa pelo choke de produção e corresponde à variável de saída do
sistema y.
y = wpo , (3.4)
Todas as vazões descritas são vazões mássicas e são modeladas da seguinte forma:
wgc = u1 , (3.5)
√
wiv = Civ ρa,i max{0, pai − pwi }, (3.6)
√
wpc = Cpc ρm max{0, pwh − ps }u2 , (3.7)
x2
wpg = wpc , (3.8)
x2 + x3
x3
wpo = wpc , (3.9)
x2 + x3
√
wro = Cr ρ0 (pr − pwb ), (3.10)
wrg = rgo wro , (3.11)
Civ e Cpc são as constantes das válvula, u1 é a vazão de injeção de gás no anular,
u2 é a abertura do choke de produção [u(t) ∈ [0, 1]], ρai é a densidade de gás no
anular no ponto de injeção da coluna, ρm é a densidade da mistura óleo e gás na
cabeça do poço, ρ0 é a densidade do óleo do reservatório e v0 é o volumoe especíco
1
do óleo do reservatório. Uma vez que o óleo é considerado incompressível, v0 = ρ0
.
A pressão pai é a pressão no anular no ponto de injeção da coluna, pwh é a pressão
na coluna no ponto de injeção da coluna, pwb é a pressão no fundo do poço, ps é
14
a pressão no mainfold a jusante do poço, onde pressupõe-se que existe um controle
para manter essa pressão constante, e pr que é a pressão do reservatório longe do
poço, também considerada constante. O parâmetro rgo representa a razão gás/óleo
vazão do reservatório para a coluna e é considerado constante.
Através das equações das vazões, é possível observar que todas as vazões mássicas
resultam do diferencial de pressão entre determinados pontos do poço. Para que
óleo ua do reservatório para os equipamentos a jusante do poço, é necessário que
pr > pwb , (3.12)
pwh > ps , (3.13)
Adiante será mostrado que, por denição pwb é maior que pwi , que é maior que
pwh . Portanto, para haver uxo:
pr > pwb > pwi > pwh > ps , (3.14)
É possível observar também através da equação (3.6) que para haver injeção de
gás na coluna de produção:
pai > pwi (3.15)
A presença das check valves no modelo é denida como a função máximo, nas
equações (3.6) e (3.7), impedindo que ocorra uxo negativo pelas válvulas. Dessa
forma, o uxo é permitido em apenas um sentido. Durante este trabalho, todas as
pressões obedecem as condições acima, ou seja, pai > pwi , pr > pwb e pwh > ps .
Por esse motivo, a função máximo será removida dessas equações no restante do
trabalho.
Do ponto de vista de controle, o sistema possui dois pontos de atuação: vazão
de injeção de gás (u1 ) e a abertura do choke de produção (u2 ). O modelo parte
15
do pressuposto de que existe uma malha fechada rápida responsável por controlar
a vazão de injeção de gás através da abertura do choke de gás e da dinâmica do
compressor. Desa forma, é possível atuar diretamente na vazão wgc .
Diferentemente do choke de injeção de gás, a atuação do choke de produção é
modelada através da abertura da válvula que pode variar de 0 a 1. Durante este
trabalho, é considerado que o choke está sempre 100% aberto para maximizar a
produção de óleo, portanto u2 = 1 no restante deste trabalho.
Feitas essas observações, as equações (3.6) e (3.7) podem ser reescritas da seguinte
forma.
√
wiv = Civ ρa,i (pai − pwi ), (3.16)
√
wpc = Cpc ρm (pwh − ps ), (3.17)
As densidades são modeladas da seguinte forma:
M
ρai = pai , (3.18)
RTa
x2 + x3 − ρo Lr Ar
ρm = , (3.19)
Lw Aw
1
ρ0 = = cte, (3.20)
v0
16
As pressões são modeladas da seguinte forma:
( )
RTa gLa
pai = + x1 , (3.21)
Va M Va
RTw x2
pwh = , (3.22)
M Lw Aw + Lr Ar − vo x3
g
pwi = pwh + (x2 + x3 − ρo Lr Ar ), (3.23)
Aw
pwb = pwi + ρo gLr , (3.24)
Onde R é a constante universal dos gases ideais, Ta é a temperatura no anular,
Va é o volume do espaço anular, M é a massa molar do gás,La é o comprimento
do espaço anular, g é a aceleração da gravidade, Tw é a temperatura da coluna, Aw
é a área da seção circular transversal da coluna acima do ponto de injeção, Lw é
o comprimento da coluna acima do ponto de injeção, Ar é área da seção circular
transversal da coluna abaixo do ponto de injeção e Lr é o comprimento da coluna
abaixo do ponto de injeção.
x
Reescrevendo a lei natural dos gases P V = nrT considerando que n= M
, tem-se
que:
xRT
PV = (3.25)
M
Com o auxílio da equação acima é possível interpretar a equação (3.21) como se
a pressão pai representasse a pressão do gás ideal no anular somada à sua pressão
hidrostática aplicada na altura do ponto de injeção da coluna.
Da mesma forma, considerando que Lw Aw + Lr Ar − v0 x3 representa o volume
de gás na coluna de produção, conclui-se que a equação (3.22) calcula a pressão de
gás no topo da coluna como a pressão de gás ideal. As equações (3.23) e (3.24)
podem ser analisadas como diferenciais de pressões em pontos verticais da coluna,
sendo calculadas então através da pressão hidrostática gerada pelo peso dos uidos
17
na seção transversal (área) no ponto determinado.
Dessa forma, foi observado que:
g g
pwi − pwh = ∆Ph1 = mog = (x2 + x3 − ρ0 Lr Ar ), (3.26)
Aw Aw
g g
pwb − pwi = ∆Ph2 = mo = Vr ρ0 = gLr ρ0 , (3.27)
Ar Ar
Onde mog é a massa da mistura óleo e gás acima do ponto de injeção da coluna,
mo é a massa de óleo abaixo do ponto de injeção da coluna e Vr é o volume da coluna
abaixo do ponto de injeção de gás. Essas equações mostram a diferença de pressão
entre o fundo do poço e a válvula de gas-lift, e entre a válvula de gas-lift e a cabeça
do poço.
É importante observar que as equações não consideram nenhuma perda de carga
gerada pelo atrito do uido nas paredes da coluna. Essa perda de carga será acres-
centada ao modelo no próximo tópico.
3.2 Modelo de Eikrem Modicado

O modelo descrito por EIKREM et al. (2005) foi criado para estudar o fenômeno
de oscilações severas ( casing head instabilities ). Para destacar esse efeito dos demais
presentes no processo de elevação em um poço são feitas diversas simplicações. Uma
das principais simplicações encontradas no trabalho de EIKREM et al. (2005) é o

fato do mesmo desprezar as perdas de carga causadas pelo atrito dos uido na parede
da coluna de produção. Caso o atrito fosse realmente desprezível, o aumento da
taxa de gás deixaria sempre a mistura mais leve, diminuido o gradiente hidrostático.
Dessa forma, seria muito mais fácil elevar o líquido gerando sempre aumento na
saída do choke de produção do poço, o que não acontece na prática.
18
Na prática, quando o poço trabalha com altas vazões de gas-lift, a força que o
uido exerce sobres as paredes da tubulação enquanto está sendo elevado mudam
(NUNES et al., 2010). Esse comportamento faz com que, a partir de determinado
ponto, a perda de carga pelo atrito com a parede se torne relevante comparada
à pressão hidrostática, de forma que um aumento da injeção de gás causa uma
diminuição na produção de óleo do poço.
Durante este trabalho, é considerado que a única restrição para o uso de injeção
de gás é que a vazão de gas-lift deve ser sempre positiva, portanto o trabalho admite
vazões altas de gas-lift. Por esse motivo, é fundamental considerar neste trabalho a
perda de carga por atrito. Essa perda terá um papel importante na curvatura da
CPP e no ponto de máximo do sistema.
Nesse contexto, em RIBEIRO (2012) são propostas algumas modicações no mo-
delo de EIKREM et al. (2005) para contemplar as perdas de carga por atrito. Esse
modelo foi denominado como Modelo de Eikrem Modicado.
Para iniciar a adição das perdas de carga causadas pelo atrito, é necessário retomar
as duas equações de diferenciais de pressão (3.26) e (3.27) denidas na seção anterior:
g g
pwi − pwh = ∆Ph1 = mog = (x2 + x3 − ρ0 Lr Ar ), (3.28)
Aw Aw
g g
pwb − pwi = ∆Ph2 = mo = Vr ρ0 = gLr ρ0 , (3.29)
Ar Ar
É possível observar que essas duas equações consideram apenas a pressão hidros-
tática dos uidos. Portanto para considerar a perda de carga por atrito deve somado
um termo ∆Pf no lado direito da equação.
pwi − pwh = ∆Ph1 + ∆Pf 1 (3.30)
pwb − pwi = ∆Ph2 + ∆Pf 2 (3.31)
19
A perda de carga ∆Pf é uma função do gradiente de pressão sobre o comprimento
da coluna, sendo denida como ∆Pf = gradf L, onde L representa a distância linear
de escoamento.
O gradiente de pressão linear é normalmente apresentado na literatura como a
derivada da pressão em relação ao deslocamento linear.
dp
gradf = − , (3.32)
dz
Em geral, esse gradiente é calculado dividindo todo o trecho de escoamento linear
em segmentos tão pequenos quanto se quiser de resolução. Nesse trabalho, como o
objetivo não é estudar o regime de escoamento, o gradiente será calculado em dois
segmentos:
• Do fundo do poço pwb até o ponto de injeção de gás na coluna pwi .
• Do ponto de injeção de gas na coluna pwi até a cabeça do poço pwh .
No trabalho de RIBEIRO (2012), é utilizada a equação de Darcy-Weisbach devido

à sua grande aceitação na indústria do petróleo e sua simplicidade para implemen-
tação computacional.
( )
ρv 2
gradf = fa (3.33)
2D
Onde fa é o fator de atrito, ρ é a massa especíca do uido, v é a velocidade linear
do uido e D é o diâmetro da tubulação.
O fator de atrito fa da equação de Darcy-Weisbach depende do:
• Regime de Escoamento (laminar ou turbulento)
• Número de Reynolds (Re )
• Rugosidade absoluta da tubulação (ϵ)
Neste trabalho, o tubo será considerado liso, ou seja, ϵ=0
20
O número de Reynolds é adimensional e utilizado em mecânica dos uidos para
determinar o regime de escoamento (laminar ou turbulento) de uidos em uma
tubulação (PERRY e CHILTON, 1980). Esse número é denido como:
ρvD
Re = , (3.34)
µ
Onde ρ é a massa especíca do uido, v é a velocidade linear do uido, D é o
diâmetro da tubulação e µ é a viscosidade dinâmica do uido.
Considera-se que o uido tem regime de escoamento laminar se Re < 2300. Nesse
caso, o coeciente de atrito fa é calculado como:
fa = 64/Re , (3.35)
Considera-se que o uido tem regime de escoamento turbulento se Re > 5000.
Para valores entre 2300 e 5000, o regime é considerado transitório. Nesses casos, o
coeciente de atrito fa é expreresso pela correlação de Blasius:
fa = 0, 316Re−0,25 , para Re < 5000 (3.36)
fa = 0, 184Re−0,25 , para Re > 5000 (3.37)
As equações (3.26) e (3.27) do modelo de EIKREM et al. (2005) podem então ser
reescritas como:
g
pwi − pwh = ∆Ph1 + ∆Pf 1 = (x2 + x3 ) + gradf .Lw (3.38)
Aw
pwb − pwi = ∆Ph2 + ∆Pf 2 = ρ0 gLr + gradf .Lr (3.39)
O novo modelo foi validado através de simulações estacionárias (estado de equi-
líbrio onde as derivadas são nulas) no software EMSO. Através dessas simulações
foram geradas CPPs, curvas de vazão de óleo produzido por vazão de injeção de gás
21
no anular, cujo comportamento apresentou o resultado esperado: uma curva com
concavidade para baixo na qual, a partir de um certo ponto, o aumento no gas-lift

gera uma diminuição na taxa de produção.
No mesmo trabalho também foram obtidas as curvas de pressão dísponível (IPR -
Inow Performance Curve) e de pressão requerida (TPR - Tubing Pressure Require-
ment) que demonstraram o mesmo efeito produzido na CPP, validando ainda mais
o modelo.
22
Tabela 3.1: Tabela de símbolos do modelo
Parâmetro Descrição Unidade

x1 Massa de gás no anular kg
x2 Massa de gás na coluna de produção kg
x3 Massa de óleo na coluna de produção kg
u1 Entrada correspondente à de gás do compressor para o anular kg/s
u2 Entrada correspondente à abertura do choke de produção −
wgc Vazão de gás do compressor para o anular kg/s
wiv Vazão de gás pela válvula de injeção de gás na coluna de produção kg/s
wpc Vazão da mistura gas|óleo pelo choke de produção kg/s
wrg Vazão de gás do reservatório para a coluna de produção kg/s
wpg Vazão de gás pelo choke de produção kg/s
wro Vazão de óleo do reservatório para a coluna de produção kg/s
wpo Vazão de óleo pelo choke de produção kg/s
ρ0 Densidade do óleo do reservatório kg/m3
ρai Densidade do gás no anular no ponto de injeção de gás na coluna de produção kg/m3
ρm Densidade da mistura gás|óleo kg/m3
pai Pressão no anular, no ponte de injeção de gás na coluna Pa
pwi Pressão na coluna, no ponte de injeção de gás na coluna Pa
pwh Pressão na cabeça do poço Pa
pwb Pressão no fundo do poço Pa
ps Pressão de superfície das linhas a jusante do choke de produção Pa
pr Pressão média do reservatório Pa
M Massa molar do gás kg/mol
Ta Temperatura no anular K
La Comprimento do anular m
Va Volume do anular m3
Tw Temperatura na coluna de produção K
Lw Comprimento da coluna de produção acima do ponto de injeção de gás m
Aw Área da seção transversal da coluna de produção acima do ponto de injeção de gás m2
Lr Comprimento da coluna de produção abaixo do ponto de injeção de gás m
Ar Área da seção transversal da coluna abaixo do ponto de injeção de gás m2
Civ Constante de válvula da válvula de injeção de gás na coluna m2
Cpc Constante de válvula da válvula do choke de produção m2
Cr Constante de válvula para a vazão do reservatório m2
rgo Razão gás/óleo do reservatório −
v0 Volume especíco de óleo m3 /kg
R Constante universal de gases J/Kmol
g Aceleração da gravidade m/s2
gradf Gradiente de perda de pressão por atrito P a/m
fa Fator de atrito −
ρ Densidade do uido kg/m3
v Velocidade linear do uido m/s
D Diâmetro da tubulação m
Re Número de Reynolds −
µ Viscosidade dinâmica do uido kg/(ms)
ϵ Rugosidade da parede da tubulação m
23
3.3 Modelo do Ponto de Vista de Controle
Através das análises feitas nas seções 3.1 e 3.2, é possível interpretar as equações
dos modelos com maior clareza. Entretanto, as equações separadas impedem que
seja feita uma análise macro do espaço de estados. Nesta seção, as equações do
modelo de Eikrem Modicado foram reescritas no formato de controle, para agregar
mais informações sobre o comportamento do sistema.
Inicialmente, foi observada a interdependência entre os estados e suas variáveis,
assim como sua relação com as entradas do sistema. Através da simples análise dos
termos das equações de estados (3.1), (3.2) e (3.3), é possível concluir que:

x˙1 = u1 − φ1 (x1 , x2 , x3 ), 






x˙2 = φ1 (x1 , x2 , x3 ) − φ2 (x2 , x3 ),

Formato de Controle (3.40)


x˙3 = φ3 (x2 , x3 ) − φ4 (x2 , x3 ), 





y = φ4 (x2 , x3 ), 
Com o modelo escrito desta forma pode-se notar que que a saída do sistema y não
depende diretamente da entrada u1 . O termo u1 irá aparecer apenas na segunda
derivada de y. Dessa forma, conclui-se que o sistema possui grau relativo dois.
24
As funções φi , são expandidas da seguinte forma:
√
k˜2 x1 x2
φ1 (x) = k˜1 x21 − − k˜4 x1 x2 − k˜4 x1 x3 , (3.41)
k˜3 − x3
( )√
x2 (x2 + x2 x3 )
φ2 (x) = k˜5 2 − k˜6 x2 − k˜6 x3 , (3.42)
x2 + x3 ˜
k3 − x3
√
k˜8 x2
φ3 (x) = k˜7 − − k˜9 x2 − k˜9 x3 , (3.43)
˜
k3 − x3
( )√
x3 (x2 + x2 x3 )
φ4 (x) = k˜5 2 − k˜6 x2 − k˜6 x3 , (3.44)
x2 + x3 k˜3 − x3
(3.45)
As constantes do sistema foram substituídas por k̃i .
Com essas expansões, o sistema pode ser reescrito diretamente como:
√
k˜2 x1 x2
x˙1 = u1 − k˜1 x21 − − k˜4 x1 x2 − k˜4 x1 x3 , (3.46)
k˜3 − x3
√
k˜2 x1 x2
x˙2 = k˜1 x21 − − k˜4 x1 x2 − k˜4 x1 x3
k˜3 − x3
( )√ (3.47)
x2 (x2 + x2 x3 )
− k˜5 2 − k˜6 x2 − k˜6 x3 ,
x2 + x3 k˜3 − x3
√
k˜8 x2
x˙3 = k˜7 − − k˜9 x2 − k˜9 x3
k˜3 − x3
( )√ (3.48)
x3 (x2 + x2 x3 )
− k˜5 2 − k˜6 x2 − k˜6 x3 ,
x2 + x3 ˜
k3 − x3
( )√ 2
x3 (x + x2 x3 )
y= k˜5 2 − k˜6 x2 − k˜6 x3 , (3.49)
x2 + x3 k˜3 − x3
As equações acima representam de forma explícita o espaço de estados do sistema.
Para simplicar os cálculos, a não linearidade acrescentada por RIBEIRO (2012) não
foi considerada durante a expansão e o óleo vindo do poço foi considerado puro, sem
25
gás diluído (rgo = 0).
3.4 Implementação do Modelo Estático
3.4.1 Análise Teórica
Antes de estudar o comportamento dinâmico do sistema, foi feita uma análise do
seu comportamento estático, ou seja, quando o sistema está em equilíbrio. Portanto,
as derivadas do sistema foram igualadas a zero conforme as equações abaixo:
0 = wgc − wiv , (3.50)
0 = wiv + wrg − wpg , (3.51)
0 = wro − wpo , (3.52)
Através das equações (3.50), (3.51) e (3.52) é possível perceber que quando o
sistema entra em equilíbrio, a vazão wgc se iguala a wiv , wro se iguala a wpo , e wpg
se iguala à soma de wiv com wrg :
wiv = wgc = u1 , (3.53)
wpg = wiv + wrg , (3.54)
wro = wpo = y, (3.55)
Verica-se também que através das equações (3.11) e (3.9) que:
wrg = rgo wro = rgo wpo = rgo y, (3.56)
Da mesma forma, através das equações (3.8), (3.17) e (3.9), tem-se que:
x2 x2 x2
wpg = wpc = wpo = y, (3.57)
x2 + x3 x3 x3
26
Portanto, a equação (3.54) pode ser reescrita como:
( )
x2
wiv = − rgo y, (3.58)
x3
Como wiv = wgc = u1 , é possível escrever uma relação direta entre a entrada u1 e
a saída y:
( )
x2
u1 = − rgo y, (3.59)
x3
u1
y= , (3.60)
x2
x3
− rgo
Essa fórmula corresponde justamente à curva de performance de poço que deter-
mina a relação entre vazão de injeção de gas-lift e a produção de óleo em regime
permanente. O ponto de máximo dessa curva corresponde ao ponto de máxima
produção desejado. Essa equação servirá de base para a identicação de um novo
modelo na Seção 3.6.
3.4.2 Análise de Resultados
Utilizando o comando fsolve com o método de otimização trust-region-reective,

foi criado um script de Matlab com todas as equações do modelo de Eikrem Mo-
dicado para obter a solução do sistema de equações não lineares estático, com as
derivadas dos estados x1 , x2 e x3 iguais a zero. Dessa forma, é possível observar o
comportamento em regime de todas as variáveis do sistema em função da entrada
u1 em wgc .
Os valores dos parâmetros utilizados no modelos representam dados dimensionais
reais de um poço em produção. A tabela a seguir apresenta os valores utilizados:
27
Tabela 3.2: Parâmetros do Poço
Parâmetro Valor Unidade

M 0.028 kg/mol
Ta 293 K
La 230.87 m
Va 29.012 m3
ρ0 923.9 kg/m3
Tw 293 K
Lw 1217 m
Aw 0.203 m2
Lr 132 m
Ar 0.203 m2
Civ 15 × 10−5 m2
Cpc 1.655 × 10−3 m2
Cr 2.623 × 10−4 m2
rgo 0.0818 −
R 8.314 J/Kmol
g 9.81 m/s2
µ 1 × 10−3 cP
ps 3.704669 × 106 Pa
pr 2.5497295 × 107 Pa
A primeira curva traçada foi a curva de performance de poço, correspondente à
equação (3.60) e objeto principal desse trabalho. O algoritmo permitiu que a curva
fosse traçada com uma boa resolução, apresentando a esperada concavidade para
baixo, demonstrando que existe uma vazão de gas-lift que maximiza a produção de
óleo. A vazão de produção máxima em equilíbrio encontrada foi wpo = 31.5092 kg/s
para a vazão de entrada wgc = 2.68 kg/s.
31.6
31.4
31.2
wpo [kg/s]
31
30.8
30.6
30.4
0 2 4 6 8 10
wgc [kg/s]
Figura 3.3: Curva de performance de poço obtida pelo modelo estático
28
As curvas das massas do sistema estático mostram que à medida que a injeção de
gás aumenta, a massa de gás presente na coluna e no anular aumentam, enquanto a
massa de óleo presente na coluna diminui. Ou seja, x1 e x2 aumentam enquanto x3

diminui.
9000
8000
7000
6000
x1 [kg]
5000
4000
3000
2000
0 2 4 6 8 10
wgc [kg/s]
Figura 3.4: Curva da massa de gás no anular x1 pela entrada wgc
1
Através da equação (3.60) e do comportamento das curvas u1 e (x2/x3−rgo )
é possível
justicar a concavidade da CPP. Enquanto o termo u1 cresce linearmente, o termo
1
(x2/x3−rgo )
decresce de forma não linear já que x2 cresce, x3 diminui e rgo é uma
constante muito pequena.
Outra observação importante é que o valor de injeção de gás no anular wgc que
maximiza a produção de óleo é o mesmo que minimiza a pressão no ponto de injeção
de gás na coluna pwi , e consequentemente, minimiza a pressão de fundo de poço pwb .
Através da análise estática do sistema foi possível obter muitas informações sobre
o funcionamento do modelo. Os resultados mostram a relação entre a entrada e
a saída do sistema em função dos estados x2 e x3 . Dessa forma, é de se esperar
que através de uma realimentação de estados com estimativas dos estados x2 e x3 ,
29
4
x 10
2
1.8
1.6
x2 [kg]
1.4
1.2
0.8
0 2 4 6 8 10
wgc [kg/s]
Figura 3.5: Curva da massa de gás na coluna x2 pela entrada wgc

4
x 10
11
10
8
x3 [kg]
4
0 2 4 6 8 10
wgc [kg/s]
Figura 3.6: Curva da massa de óleo na coluna x3 pela entrada wgc
possa ser desenvolvido um controle muito mais eciente. Foi possível também obter
uma explicação para a existência da concavidade para baixo na CPP, através de
análise das variáveis intermediárias do sistema. Descobrir também que o ponto que
máximiza a produção wpo é o mesmo que minimiza as pressões pwi e pwb demonstra
que o problema pode ser reformulado para encontrar a entrada que minimiza essas
pressões. Os resultados obtidos nessa seção serão ainda utilizados na Seção 3.6
durante o desenvolvimento de um novo modelo para o poço.
30
25
wgc [kg/s]
1/(x2/x3−rgo) [−]
20
15
10
0
0 2 4 6 8 10
wgc [kg/s]
Figura 3.7: Curvas auxiliares para justicativa da concavidade da CPP
6
x 10
11
Pwi [Pa]
Pwb [Pa]
10.5
10
9.5
8.5
0 2 4 6 8 10
wgc [kg/s]
Figura 3.8: Curva da pressão no ponto de injeção de gás na coluna pwi e da pressão
de fundo de poço pwb
3.4.3 Aproximações para o modelo
As não linearidades apresentadas pelo modelo motivaram a busca por aproxima-
ções para as curvas das variáveis. Com o conhecimento dessas aproximações, existe
a possibilidade de implementar observadores para o sistema, que podem auxiliar no
desenvolvimento de novas estratégias para o problema.
31
A primeira observação feita foi que a pressão da cabeça do poço pwh dependia dos
estados x2 e x3 conforme a equação (3.22). Foi proposta então uma aproximação no
formato:
pwh = apwh1 x2 + apwh2 x3 + apwh3 , (3.61)
Partindo do conhecimento da relação estática entre pwh , x2 e x3 identicadas
na Seção 3.4 foi possível utilizar o método de mínimos quadrados para encontrar
os coecientes da aproximação. Conhecendo o termo pwh aproximado, a pressão
no ponto de injeção na coluna pwi e a pressão de fundo de poço pwb puderam ser
derivadas dessa aproximação desprezando o fator de atrito adicionado na Seção 3.2.
As equações (3.23) e (3.24) tornam possíveis as seguintes aproximações:
pwi = apwi1 x2 + apwi2 x3 + apwi3

( ) ( ) ( ) (3.62)
g g g
= apwh1 + x2 + apwh2 + x3 + apwh3 − ρ0 Lr Ar ,
Aw Aw Aw
pwb = apwb1 x2 + apwb2 x3 + apwb3

(3.63)
= apwi1 x2 + apwi2 x3 + (apwi3 + ρ0 gLr ),
As outras equações de pressões (3.21) e densidades (3.18) e (3.19) do sistema
podem ser reescritas no mesmo formato:
pai = apai1 x1 , (3.64)
ρai = aρai1 x1 , (3.65)
ρm = aρm1 x2 + aρm2 x3 + aρm3 , (3.66)
A identicação dessas aproximações podem auxiliar em uma futura elaboração de
um observador de estados para o sistema. A observação de estados pode ser uma
boa estratégia para aumentar a velocidade do controle.
32
3.5 Implementação do Modelo Dinâmico
Para realizar simulações do modelo de Eikrem Modicado foi utilizada uma imple-
mentação feita por RIBEIRO (2012) no software EMSO ( Environment for Modeling
Simulation and Optimization ). Esse software permite que usuários modelem proces-
sos complexos dinâmicos ou estacionários através da linguagem nativa EML. Além

disso, o software possui funcionalidades de vericação de consistência de condi-
ções iniciais, algoritmos de ordenação de equações, vericação de consistência entre
unidades de medida, entre o número de variáveis e incógnitas, implementação de
algoritmos de controle e de otimização, entre outros (SOARES e SECCHI, 2003).
O software EMSO possui interface com o SIMULINK/MATLAB através das con-
guração das variáveis de entrada e saída. Os valores das entradas do processo são
passados para o EMSO, que retorna o valor das saídas dos processos para o Simu-
link. Dessa forma, é possível criar diagramas de blocos de controle com o modelo
do poço encapsulado. A interface entre os dois programas pode utilizar dois tipos
de módulos: contínuo e discreto. Durante todo este trabalho, foi utilizado o módulo
contínuo de interface com o Simulink pois toda a teoria de controle do algoritmo de
busca extremal é contínua.
Figura 3.9: Modelo de Eikrem Modicado implementado no EMSO no Simulink
Ao longo deste projeto também foi implementado o mesmo modelo de Eikrem
Modicado em uma s-Function do MATLAB. A implementação foi validada atra-
vés de simulações comparando seus resultados com os resultados apresentados pelo
simulador EMSO.
Os parâmetros do poço utilizados no modelo dinâmico são iguais aos utilizados
na Seção 3.4, correpondem aos valores da tabela 3.2.
33
Figura 3.10: Modelo de Eikrem Modicado implementado em uma s-function no
Simulink
3.5.1 Validação dos Modelos Implementados
Para validar a igualdade dos dois modelos foram aplicados diferentes sinais em
suas entradas. É importante lembrar que a entrada dos modelos corresponde à vazão
de gas-lift aplicada no anular, e a saída dos modelos corresponde à taxa de vazão
de produção de óleo pelo choke.
Inicialmente, foi aplicada uma sequência de degraus positivos e negativos.
Figura 3.11: Diagrama de blocos para validação dos modelos implementados

utilizando degraus na entrada
Conforme a Figura 3.13, a resposta dos dois sistemas para o sinal de entrada
foram praticamente idênticas. A gura também mostra que para degraus positivos,
ocorre um pico que eleva a produção durante o transitório. Para degraus negativos,
o pico ocorre para baixo diminuido a produção durante o transitório.
Também foi aplicada uma senóide genérica com amplitude 1 e período de 10 mi-
nutos na entrada do sistema para vericar se as respostas continuariam semelhantes.
O resultado pode ser visto nas Figuras 3.14, 3.15 e 3.16.
34
6
4
wgc [kg/s]
0
0 1 2 3 4 5
tempo [s] x 10
4
Figura 3.12: Sequência de degraus aplicada aos modelos
34
33
32
wpo [kg/s]
31
30
29 s−function
EMSO
28
0 1 2 3 4 5
tempo [s] x 10
4
Figura 3.13: Resposta à sequência de degraus aplicada aos modelos
Verica-se que não houve diferença de amplitude, frequência, nem fase compa-
rando os dois modelos. Dessa forma, pode-se concluir que os dois modelos são equi-
valentes. No restante do trabalho, será utilizado apenas o modelo implementado no
EMSO.
35
Figura 3.14: Diagrama de blocos para validação dos modelos implementados
utilizando senóide na entrada
5
wgc [kg/s]
1
0 0.5 1 1.5 2
tempo [s] x 10
4
Figura 3.15: Senóide aplicada ao modelo
3.5.2 Análise do modelo
Observando agora apenas um modelo, é possível avaliar melhor o comportamento
do sistema. A resposta aos degraus aplicados representados na Figura 3.13 mostra
que o sistema passa por um longo transitório até alcançar um estado de regime. O
transitório dura aproximadamente 1.5 × 104 segundos ou 4.2 horas. Dessa forma:
τt = 1.5 × 104 s ≃ 4.2horas, (3.67)
τt
τp ≃ = 3 × 104 s, (3.68)
5
36
34
s−function
33.5 EMSO
33
wpo [kg/s]
32.5
32
31.5
31
0 0.5 1 1.5 2
tempo [s] x 10
4
Figura 3.16: Resposta do modelo a uma senóide
Onde τt é o tempo de acomodação do sistema e τp é a constante de tempo da
planta.
Mesmo com esse comportamento do transitório, os valores de regime continuam
seguindo a curva de performance de poço (CPP) calculada na Seção 3.4. Embora
seja aplicado um degrau de 2.5 para 5, por exemplo, o transitório apresenta aumento
de produção por um tempo, porém após o transitório, o valor de regime ca abaixo
do regime anterior. Esse comportamento está representado na Figura 3.17:
Um estudo mais detalhado da resposta a senóides foi motivado pelo algoritmo de
busca extremal que será aplicado ao modelo no próximo capítulo. O algoritmo utiliza
uma perturbação senoidal sendo, portanto, fundamental conhecer o comportamento
do sistema para diferentes entradas senoidais.
Inicialmente, foi aplicada uma senóide rápida com período de oscilação de um
minuto (60 segundos), muito menor que o transitório apresentado na resposta ao
degrau. A amplitude foi escolhida arbitrariamente como 0.5, e o nível médio da
senóide é igual a 2. Portanto, a entrada do sistema é uma senóide oscilando entre
37
35
34.5
34
33.5
wpo [kg/s]
33
32.5
32
31.5
31
0 0.5 1 1.5 2
tempo [s] 4
x 10
Figura 3.17: Resposta ao degrau positivo
31.6
31.55 X: 2.5
Y: 31.51
31.5
31.45
wpo [kg/s]
31.4 X: 5
Y: 31.34
31.35
31.3
31.25
31.2
2 3 4 5 6
wgc [kg/s]
Figura 3.18: CPP
1.5 e 2.5, com nível médio 2.
2π
w= , (3.69)
60
A resposta apresentou oscilações de baixa amplitude na saída do sistema em
equilíbrio, demonstrando que ouve uma forte atenuação da senóide. Também foi
observado um pico na resposta da senóide pois a oscilação rápida funcionou para o
38
31.498
31.496
31.494
wpo [kg/s]
31.492
31.49
31.488
31.486
31.484
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
tempo [s] 4
x 10
Figura 3.19: Resposta do sistema a uma senóide rápida
31.4879
31.4877
31.4875
wpo [kg/s]
31.4873
31.4871
31.4869
31.4867
31.4865
1.9 1.91 1.92 1.93 1.94 1.95 1.96 1.97 1.98 1.99 2
tempo [s] 4
x 10
Figura 3.20: Resposta do sistema a uma senóide rápida amplicada após o sistema
entrar em equilíbrio
sistema como aproximadamente um degrau.
Foi aplicada em seguida uma senóide com frequências menor que a do exemplo
anterior, com período de oscilação igual a uma hora (3600 segundos).
2π
w= , (3.70)
3600
39
32.5
32
wpo [kg/s]
31.5
31
30.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
tempo [s] 4
x 10
Figura 3.21: Resposta do sistema a uma senóide média
O resultado da simulação mostra que conforme a frequência da perturbação di-
minui, a amplitude do sinal de saída aumenta. Esse comportamento revela que o
sistema tem a característica de um ltro passa baixa, causado pelos atrasos das
grandes constantes de tempo do sistema.
A frequência foi sendo diminuida gradativamente até que a saída do sistema se
comportasse de forma aproximadamente estática com relação à entrada. Esse resul-
tado será importante para a aplicação do algoritmo de busca extremal no próximo
capítulo.
2π
w= , (3.71)
3600 ∗ 24 ∗ 40
2π
A Figura 3.22 mostra a resposta do sistema para a frequência w= 3600∗24∗40
. Com
essa frequência, o sistema passou a se comportar de forma aproximadamente estática.
A validação desse comportamento é possível através da análise da CPP encontrada
na Seção 3.4. Nesse caso, os valores dos picos da resposta do modelo correspondem
40
31.52
31.5
wpo [kg/s]
31.48
31.46
31.44
0 1 2 3 4 5 6 7 8 9 10
tempo [s] 6
x 10
Figura 3.22: Resposta do sistema a uma senóide lenta
aos valores encontrados em regime para os picos da senóide de entrada.
O período dessa senóide corresponde a 40 dias para um ciclo de abertura e fecha-
mento de válvula, um período muito grande. A justicativa para a necessidade de
um período tão grande está na constante de tempo do sistema. O sistema possui um
transitório muito lento, sendo necessário dessa forma, uma senóide muito mais lenta
para que o transitório possa ser desprezado e o sistema se comporte praticamente
em equilíbrio.
3.6 Proposta de um Novo Modelo

A partir da análise estática feita na Seção 3.4 e da análise dinâmica apresentada
na Seção 3.5, foi proposto um novo modelo que aproximasse o processo a um sistema
linear acompanhado por ltros passa-baixa representando as constantes de tempo.
As aproximações feitas consideram que o sistema possui duas dinâmicas principais:
• O tempo que a vazão de injeção de gás na coluna wiv demora para se igualar
ao valor de wgc .
41
31.55
X: 2.5
Y: 31.51
31.5
X: 1.5
Y: 31.44
wpo [kg/s]
31.45
31.4
31.35
31.3
1 1.5 2 2.5 3
wgc [kg/s]
Figura 3.23: CPP
• O tempo que a vazão de produção de gás wpg demora para se igualar à soma
da vazão de injeção de gás na coluna wiv com a vazão de gás do reservatório
para a coluna wrg .
Analisando a equação (3.50), quando o sistema entra em equilíbrio as vazões de
injeção de gás no anular wgc e de injeção de gás na coluna de produção wiv se
igualam.
Portanto, considerando a constante de tempo para que as duas variáveis se igua-
lem, a relação entre elas foi aproximada como uma função linear:
wiv (s) 1
= , (3.72)
wgc (s) τ1 s + 1
Analisando a equação (3.51), quando o sistema entra em equilíbrio a vazão de
injeção de gás na coluna wiv somada à vazão de gás que passa do reservatório para
a coluna wpg se iguala à vazão de gás produzida no choke wpg . Portanto, conside-
rando o tempo para que essas vazões entrem em equilíbrio foi denida uma variável
intermediária uf tal que:
uf (s) 1
= , (3.73)
wiv (s) τ2 s + 1
42
Para nalizar o modelo aproximado da entrada u pela saída y , é preciso descobrir
o comportamento dos estados x2 e x3 em função de uf . Supondo o conhecimento do
modelo incerto da dinâmica do poço e as curvas para x2 e x3 encontradas na Seção
3.4 em função de u com u ≃ uf , foram feitas aproximações por mínimos quadrados
de primeira ordem para os estados do sistema:
x3 (uf ) = a1 uf + b1 , (3.74)
x2 (uf ) = a2 uf + b2 , (3.75)
Onde a1 = −8.4047 × 103 , b1 = 9.989 × 104 , a2 = 1.2209 × 103 e b2 = 1.2209 × 103 .
Os resultados da aproximação e seus respectivos erros relativos estão apresentados
nas Figuras 3.24, 3.25 para x3 e 3.26 e 3.27 para x2

4
x 10
11
X3 [kg]
10 X3 estimado [kg]
5
0 1 2 3 4 5
wgc [kg/s]
Figura 3.24: Estimativa de x3
As Figuras 3.25 e 3.27 mostram que o erro relativo atinge valores percentuais altos
em determinados pontos. Mesmo assim a malha foi fechada representando o novo
modelo conforme a Figura 3.28.
43
7
Erro relativo de x3 estimado [%]

6
0
0 1 2 3 4 5
wgc [kg/s]
Figura 3.25: Erro da estimativa de x3
4
x 10
1.6
1.5
1.4
1.3
1.2
1.1
1
X2 [kg]
0.9 X2 estimado [kg]
0.8
0 1 2 3 4 5
wgc [kg/s]
Figura 3.26: Estimativa de x2
Observando o novo modelo, foram feitas algumas alterações na equação (3.60).
Inicialmente, considerando desprezível o primeiro atraso τ1 a entrada u pode ser
reescrita como:
u = θ + asen(wt) := θ + n (3.76)
Considerando agora os estados x3 e x2 , os mesmos podem ser escritos em função
de uf , porém o efeito do atraso é signicativo. Pode-se interpretar que a saída uf
44
5
Erro relativo de x2 estimado [%]

4
0
0 1 2 3 4 5
wgc [kg/s]
Figura 3.27: Erro da estimativa de x2
Figura 3.28: Modelo auxiliar proposto
do ltro passa-baixa corresponde a um sinal com nível médio ltrado, amplitude
atenuada e um atraso de fase. Dessa forma, a saída uf do ltro é denida como:
uf = θf + nf (3.77)
√
Onde nf := (a/( τ22 w2 + 1))sen(wt + ϕ).
45
Aplicando essa relação na curva linear criada com as aproximações por mínimos
quadrados, a relação de entrada e saída do sistema passa a ser:
1 1
y=( )u = ( ) (θ + n), (3.78)
a2 uf +b2 a2 (θf +nf )+b2
a1 uf +b1
− rgo a1 (θf +nf )+b1
− rgo
O novo modelo implementado foi testado através de uma sequência de degraus.
O resultado está representado nas Figuras 3.29 e 3.30:
3.4
3.2
wgc [kg/s]
2.8
2.6
0 1 2 3 4 5
tempo [s] x 10
4
Figura 3.29: Sequência de degraus aplicada na entrada do novo modelo
Observa-se que a dinâmica está coerente com o comportamento do sistema, porém
os níveis médios não estão corretos. Esse erro acontece pois o erro da aproximação
de primeira ordem é alto e ainda é amplicado pelo sistema. Portanto, foi necessário
aumentar a ordem da aproximação. Foi utilizada uma nova aproximação de ordem
alta para se obter um modelo melhor representado. A resposta do sistema para a
mesma sequência de degraus está exposta na Figura 3.31:
Através do resultado da Figura 3.31, observa-se que o novo modelo representa de
forma aproximada o comportamento estático e dinâmico do sistema. Para validar
a semelhança entre os dois modelos, foram aplicadas senóides com nível médio na
46
35
34
wpo [kg/s]
33
32
31 EMSO
Novo Modelo
30
0 1 2 3 4 5
tempo [s] x 10
4
Figura 3.30: Resposta do modelo com aproximações de primeira ordem à sequência

de degraus
32.4
32.2
32
wpo [kg/s]
31.8
31.6
31.4
EMSO
31.2
Novo Modelo
31
0 1 2 3 4 5
tempo [s] x 10
4
Figura 3.31: Resposta do modelo com aproximações de ordem alta à sequência de

degraus
entrada dos dois modelos. As senóides oscilam com período de 1 hora e o nível
médio foi estabelecido como 2.
A Figura 3.32 mostra que a saída do novo modelo apresentou apenas uma pe-
quena defasagem com o modelo original, e as amplitudes das saídas dos modelos
estão bastante semelhantes. Com esse resultado, é possível dizer que o novo modelo
47
31.9
EMSO
31.8 Novo Modelo
wpo [kg/s] 31.7
31.6
31.5
31.4
31.3
31.2
0 0.5 1 1.5 2 2.5
tempo [s] x 10
4
Figura 3.32: Resposta do modelo a uma senóide
representa de forma aproximada a dinâmica do modelo do poço, sendo então uma
nova ferramenta para desenvolvimento de estratégias de controle.
Esse novo modelo sugere através da equação (3.60) que existe um caminho direto
da entrada multiplicando uma função dos estados na saída. Esse fator é um dos
responsáveis pela diculdade de identicação de fase no sistema. Portanto, uma
possível estratégia para uma melhor identicação da fase seria dividir a entrada u
conhecida na saída do sistema. Com um processamento de fase desse sinal, as fases
entre entrada e saída poderiam ser melhor identicadas reduzindo consideravelmente
o tempo de estabilização do algoritmo.
48
Capítulo 4
Busca Extremal
Os principais métodos de controle adaptativo para sistemas lineares e não lineares
são aplicáveis a problemas de regulação para set points conhecidos ou de seguimento

de trajetória. Entretanto, em algumas aplicações o mapeamento em estado de equi-
líbrio da saída pela entrada apresenta pontos de extremos, mínimos ou máximos, e o
objetivo é encontrar a entrada que mantém a saída em seu valor extremo (KRSTI
e WANG, 2000).
Quando o curva de entrada e saída é conhecida, encontrar o ponto extremo se
torna um problema de otimização. Entretanto, quando o mapeamento apresenta
incertezas, é necessário utilizar algum método adaptativo para encontrar o set point
que leva a saída para seu extremo (KRSTI e WANG, 2000).
Esse problema conhecido como "controle extremal"ou "controle auto-otimizável",
era popular nos anos 50 e 60, porém foi deixado de lado durante muito tempo
devido às diculdades de tratamento matemático analítico. Nos anos 90, o problema
ressurgiu através dos trabalhos de KRSTI e WANG (2000) e CHOI et al. (2002).A
sequência de trabalhos desenvolvidos em seguida colocaram o controle extremal como
umas das áreas mais promissoras do ramo de controle adaptativo.
Dentre suas maiores aplicações pode-se citar o posicionamento dinâmico de placas
solares e antenas para maximizar o sinal recebido, e o posicionamento das lâminas
49
das turbinas de água e eólicas para maximizar a produção de energia.
A maior parte dos trabalhos que utilizam "controle extremal"consideram a planta
como um mapeamento estático. Entretanto, em KRSTI e WANG (2000) é feita
uma aproximação para problemas nos quais o mapeamento não linear é a curva
de entrada e saída em estado de equilíbrio, para sistemas não lineares, estáveis ou
estabilizáveis através de controle feedback. No trabalho KRSTI e WANG (2000),
é feita uma prova formal de estabilidade para um algoritmo de busca extremal. O
algoritmo proposto será explicado na Seção 4.2 e será utilizado no modelo de poço
estudado no presente trabalho na Seção 4.3.
4.1 Formulação do Problema

Considerando um sistema SISO não linear
ẋ = f (x, u) (4.1)
y = h(x) (4.2)
onde x ∈ Rn é o estado, u∈R é a entrada, y∈R é a saída, e f : Rn × R → Rn e
h : Rn → R são curvas suaves.
Supondo uma lei de controle suave conhecida
u = α(x, θ), (4.3)
parametrizado pelo escalar θ. Assumindo uma lei de controle por realimentação de
estados estática e sendo θ e y considerados escalares para simplicar o problema, o
sistema em malha fechada
ẋ = f (x, α(x, θ)), (4.4)
possui ponto de equilíbrio parametrizado por θ.
50
Hipótese 1 - Existe uma função suave l : R → Rn tal que
f (x, α(x, θ)) = 0 se e somente se x = l(θ) (4.5)
Essa hipótese diz que existe uma função l que mapeia os estados do sistema em
equilíbrio pelo valor do parâmetro θ.
Hipótese 2 - Para cada θ > 0 ∈ R, o ponto de equilíbrio x = l(θ) do sistema
(4.4) é localmente exponencialmente estável com decaimento e overshoot constantes
uniformemente em θ.
Dessa forma, parte-se do pressuposto de que a lei de controle (4.3) é robusta com
relação ao seu parâmetro θ, ou seja, para todo ponto de equilíbrio em x em função
de θ, o sistema é exponencialmente estável.
A última hipótese é fundamental para a formulação do problema de maximização.
Hipótese 3 - Existe θ∗ ∈ R tal que
(h ◦ l)′ (θ∗ ) = 0 (4.6)
(h ◦ l)′′ (θ∗ ) < 0 (4.7)
Dessa forma, pressupõem-se que a curva de equilíbrio da saída pela entrada y=

h(l(θ)) possui um máximo y∗ em θ = θ∗ . O objetivo do algoritmo é maximizar a
saída y em regime permanente sem conhecer o valor ótimo θ∗ nem as funções h e
l. O problema de maximização pode ser facilmente generalizado para problemas de
minimização substituindo y por −y na estrutura de realimentação proposta.
4.2 Algoritmo de Busca Extremal

O algoritmo de busca extremal proposto por KRSTI e WANG (2000) segue o
diagrama de blocos da Figura 4.6.
51
Figura 4.1: Algoritmo de Busca Extremal para plantas com dinâmica. Fonte:
(KRSTI e WANG, 2000)
O método utiliza uma perturbação senoidal lenta v = asen(wt) que é adicionada
ao sinal θ̂, correspondente à estimativa do ponto ótimo θ∗ . Essa perturbação é então
aplicada na entrada do modelo dinâmico não linear. Para perturbações muito lentas,
a planta pode ser considerada estática com mapeamento y = h ◦ l(θ), de forma que
a dinâmica não interra na curva de máximo em equilíbrio do sistema.
Devido à perturbação senoidal aplicada na entrada, a saída da planta também
apresentará um comportamento senoidal. Removendo a componente DC de y com
s
um ltro passa altas obtêm-se uma senoide que estará em fase ou contrafase
(s+wh )
com a perturbação inicial dependendo do valor de θ̂. Para valores de θ̂ abaixo do
ponto de máximo θ∗ , por exemplo, a saída estará sempre em fase com a entrada, pois
conforme o sinal de entrada aumenta a saída também aumenta. Em compensação,
para pontos acima do ponto ótimo, os sinais estarão em contrafase, pois um aumento
no sinal de entrada causa diminuição na saída do sistema.
• em fase para θ̂ < θ∗
• em contrafase para θ̂ > θ∗
As duas senoides serão então multiplicadas gerando uma nova senoide com um
determinado nível médio. Para senoides em fase, a nova senoide terá nível médio
52
Figura 4.2: Modelo estático com resposta em fase com a entrada. Fonte: Adaptado
de (PALKE, 1996)
Figura 4.3: Sinais em fase Figura 4.4: Sinais em contrafase
positivo, enquanto para senóides em contrafase, a nova senoide terá nível médio
negativo. Esse comportamento pode ser explicado através da seguinte integral:
s1 = asen(wt) (4.8)
s2 = bsen(wt + φ), (4.9)
∫ T
1 ab
(s1 s2 )DC = s1 s2 dt = cos(φ) + K, (4.10)
T 2
É possível observar que para:
• φ< π
2
, cos(φ) > 0,
53
• π
2
< φ < π , cos(φ) < 0,
A componente DC da multiplicação dos sinais será extraída através de um ltro
wl
passa baixa
(s+wl )
, sendo então inserida em um integrador. Dessa forma, se θ̂ é
menor que o valor ótimo θ∗ , as senoides estarão em fase, portanto a entrada do
integrador será positiva, fazendo com que o valor de θ̂ aumente. Caso contrário, se θ̂
é maior que o valor ótimo θ∗ , as senoides estarão em contrafase, portanto a entrada
do integrador será negativa, fazendo com que o valor de θ̂ diminua. Através dessa
integração, o valor de θ̂ tende aos poucos ao valor ótimo θ∗ . Esse comportamento
pode ser observado através da Figura 4.5.
Figura 4.5: Representação da multiplicação dos sinais de entrada e saída sem o

nível DC. Fonte: (PALKE, 1996)
Para que o ltro passa-altas deixe a frequência de perturbação w passar, é neces-
sário que a frequência de corte wh seja inferior a w. Da mesma forma, para que o
ltro passa-baixa rejeite essa frequência deixando passar apenas a componente DC,
a frequência de corte wl também deve ser menor que w.
O algoritmo de busca extremal pode ser aplicado em sistemas dinâmicos se a
frequência da perturbação senoidal for tão lenta que a dinâmica presente na planta
se aproxime de uma função estática. Dessa forma, supondo uma frequência wp da
54
planta, é necessário que w seja muito menor do que wp .
wh < w << wp , (4.11)
wl < w << wp , (4.12)
As equações (4.11) e (4.12) demonstram que o sistema completo possui três escalas
de tempo
• rápida, referente à planta estável ou com controle para estabilização,
• média, referente à perturbação senoidal,
• lenta, referente aos ltros passa-alta e passa-baixa.
O valor da amplitude constante a da perturbação senoidal dene a vizinhaça em
torno do ponto ótimo que o sinal de entrada irá oscilar, enquanto o ganho k do
integrador dene quão rápido a entrada irá convergir para o ponto ótimo. Essas
duas constante devem ser bem pequenas para garantir a estabilidade do algoritmo,
conforme prova em KRSTI e WANG (2000). Todas essas condições foram seguidas
durante a implementação do algoritmo aplicado ao modelo do poço.
Figura 4.6: Algoritmo de Busca Extremal para plantas com dinâmica. Fonte:
(KRSTI e WANG, 2000)
55
4.3 Implementação do Controle por Busca Extre-
mal
Para estudar os efeitos do algoritmo de busca extremal em modelos estáticos e
dinâmicos, a topologia proposta na seção anterior foi implementada no software
SIMULINK/MATLAB. Durante a implementação, todas as condições de sintonia
foram seguidas. A Figura 4.7 demonstra a topologia implementada para aplicação
em malha aberta e malha fechada, alternadas através do chaveamento do manual

switch :
Figura 4.7: Diagrama de blocos do método de busca extremal
Inicialmente, o controle foi aplicado a uma função estática simples para avaliar o
comportamento do sistema. A função estática utilizada foi:
f ′′ ∗
f (θ) = f ∗ + (θ − θ)2 , f ′′ < 0, (4.13)
2
A função acima possui um ponto de máximo f∗ em θ = θ∗ . Denindo f ′′ = −2,

f ∗ = 10 e θ ∗ = 3, é possível traçar a curva (f (θ), θ) conforme a Figura 4.8:
56
12
10
wpo [kg/s] 8
0
0 1 2 3 4 5 6
wgc [kg/s]
Figura 4.8: Curva estática da relação entre a saída e a entrada da função de

exemplo
Após implementar o diagrama de blocos, devem ser denidos os parâmetros do
controle. Considerando que o sistema é estático, a malha terá apenas duas escalas
de tempo: da perturbação senoidal e da frequência dos ltros. Conforme descrito na
seção anterior, as frequências de corte dos ltros devem ser menores que a frequência
w
da perturbação. Portanto, será denido que wl = wh = 10
, sendo w = 2π .
O algoritmo de busca extremal foi inicialmente aplicado ao modelo em malha
aberta. Para vericar o comportamento do sistema abaixo do ponto ótimo foi apli-
cada uma senoide com nível médio menor θ∗ . O nível médio foi denido como
Vmed = 1, e a amplitude da senoide como a = 0.1.
A Figura 4.9 mostra as senoides de entrada e saída com nível, e a Figura 4.10 sem
nível médio. É possível observar que a saída do sistema está em fase com o sinal de
entrada, conforme esperado. A saída do ltro passa-alta apresenta um transitório
inicial que pode ser explicado como o tempo que ltro demora para remover a
componente DC do sinal.
57
8
4 Entrada
Saída
3
0
0 5 10 15 20
tempo [s]
Figura 4.9: Entrada e saída do sistema sob uma perturbação senoidal com nível
médio inferior ao ponto ótimo
6
Entrada (AC)
5 Saída (AC)
−1
0 5 10 15 20
tempo[s]
Figura 4.10: Entrada sem nível médio e saída com nível médio ltrado pelo
passa-alta. (Para entradas com nível médio inferior ao ponto ótimo)
A multiplicação das duas senoides produz um sinal com nível médio positivo como
pode ser visto na Figura 4.11. Este sinal está sendo ltrado pelo passa-baixas que
envia o nível médio da multiplicação para o integrador. Como o nível médio é
positivo, o integrador faria com que a entrada aumentasse, tendendo ao valor ótimo.
Portanto, o sistema está funcionando corretamente para valores abaixo do ponto
ótimo.
58
0.6
Multiplicação dos Sinais
Multiplicação dos Sinais (DC)
0.4
0.2
−0.2
−0.4
0 5 10 15 20
tempo [s]
Figura 4.11: Sinal após a multiplicação das senóides ltrado pelo passa-baixa e não
ltrado (Para entradas com nível médio inferior ao ponto ótimo)
Para avaliar o comportamento do sistem acima do ponto ótimo, foi aplicada uma
senoide com nível médio Vmed = 5, e amplitude a = 0.1.
6.5 Entrada
Saída
5.5
0 5 10 15 20
tempo [s]
Figura 4.12: Entrada e saída do sistema sob uma perturbação senoidal com nível
médio superior ao ponto ótimo)
A Figura 4.13 mostra que agora a saída do sistema está em contrafase com o
sinal de entrada, conforme esperado. Dessa vez, a multiplicação das duas senoides
produz um sinal com nível médio negativo, conforme a Figura 4.14 que faria com
59
6
Entrada (AC)
5 Saída (AC)
−1
0 5 10 15 20
tempo [s]
passa-alta. (Para entradas com nível médio superior ao ponto ótimo)
0.5
Multiplicação dos Sinais
−0.5
0 5 10 15 20
tempo [s]
ltrado. (Para entradas com nível médio superior ao ponto ótimo
que o integrador diminuisse o valor da entrada. Portanto, o sistema também está
funcionando corretamente para valores acima do ponto ótimo.
Feita a análise em malha aberta, a malha foi fechada com o integrador. Foi
utilizada uma condição inicial θˆ0 = 5 para o integrador e a = 0.1 para a senoide de
perturbação.
60
12
10
−2
Entrada
−4 Saída
−6
0 5 10 15 20 25 30
tempo [s]
Figura 4.15: Entrada e saída do sistema em malha fechada
Pode-se observar através da Figura 4.15 que a saída do sistema em regime oscila
em torno do ponto f∗ que é igual a 10. Da mesma forma, a entrada oscila em torno
de θ∗ que é igual a 3.
6
Entrada (AC)
4 Saída (AC)
−2
−4
−6
0 5 10 15 20 25 30
tempo [s]
passa-alta em malha fechada.
As senoides multiplicadas estão durante quase toda a simulação em contrafase
conforme mostra a Figura 4.16, pois a condição inicial do sistema θˆ0 = 5 está acima
61
0.5
0.4 Multiplicação dos Sinais
0.3
0.2
0.1
0
−0.1
−0.2
−0.3
−0.4
−0.5
−0.6
0 5 10 15 20 25 30
tempo [s]
ltrado em malha fechada.
do ponto ótimo. Por esse motivo, o nível médio ltrado representado na Figura 4.17
passa a maior parte do tempo negativo, tendendo a zero.
2
0 5 10 15 20 25 30
tempo [s]
Figura 4.18: Saída do integrador em malha fechada
A saída do integrador θ̂ conforme demonstra a Figura 4.18 apresentou novamente
um pico transitório inicial que foi diminuindo convergindo para o valor ótimo θ∗ . O
sistema se comportou perfeitamente com a malha fechada mostrando que o controle
62
funciona em modelos estáticos.
Após vericar a eciência do controle em um modelo estacionário, o controle foi
então aplicado ao modelo dinâmico implementado. Inicialmente, o bloco testado
anteriormente foi substituido pelo modelo implementado no EMSO, conforme a Fi-
gura 4.19. Conforme análise apresentada na Seção 3.4 do Capítulo 3 o sistema do
poço apresenta vazão máxima de produção em equilíbrio wpo = 31.5092 kg/s para
a vazão de entrada wgc = 2.68 kg/s. Foi observado também na Seção 3.5 que o
sistema apresenta um tempo longo de estabilização de τt = 1.5 × 104 s ≃ 4.2 horas.

1.5×104 s
Portanto, a constante de tempo do sisteme é τp = τt
5
= 5
= 3 × 103 s.
Figura 4.19: Diagrama de blocos do algoritmo de buca extremal implementado
2π
Inicialmente foi aplicada uma frequência w = 60
para entradas senoidais com
amplitude a = 0.1 e níveis médios acima e abaixo do ponto ótimo do sistema. Os
níveis médios utilizados foram 2 para representar valores abaixo do ponto ótimo, e
5 para representar pontos acima do ponto ótimo.
Observa-se através das Figuras 4.20 e 4.21 que o modelo não apresenta fase dife-
renciada entre entrada e a saída para pontos abaixo e acima do ponto ótimo. Uma
63
−5
x 10
1.5
Entrada (AC)
1 Saída (AC)
0.5
−0.5
−1
−1.5
2 2.02 2.04 2.06 2.08 2.1
tempo [s] x 10
4
Figura 4.20: Entrada e saída sem nível médio para pontos inferiores ao ponto
ótimo. (Perturbação rápida)
−5
x 10
1.5
Entrada (AC)
1 Saída (AC)
0.5
−0.5
−1
−1.5
2.7 2.72 2.74 2.76 2.78 2.8
tempo [s] x 10
4
Figura 4.21: Entrada e saída sem nível médio para pontos superiores ao ponto
ótimo. (Perturbação rápida)
vez que a diferença de fase nesses casos não é identicada, caso a malha fosse fechada
a busca extremal não iria convergir.
O sistema não apresenta diferença de fase pois a escala de tempo da perturbação
é muito mais rápida que a escala de tempo da planta. Diminuindo a frequência para
2π
w= 3600
, o sistema passou a apresentar uma pequena diferença de fase, como pode
64
ser visto nas Figuras 4.22 e 4.23:
0.02
Entrada (AC)
0.015
Saída (AC)
0.01
0.005
−0.005
−0.01
−0.015
−0.02
1 1.02 1.04 1.06 1.08 1.1
tempo [s] x 10
6
ótimo. (Perturbação média)
0.015
Entrada (AC)
0.01 Saída (AC)
0.005
−0.005
−0.01
−0.015
1 1.02 1.04 1.06 1.08 1.1
tempo [s] x 10
6
ótimo. (Perturbação média)
Dessa forma, quanto mais lenta for a perturbação, mais o sistema apresenta dife-
rença de fase. A frequência da perturbação foi sendo gradativamente diminuída até
apresentar uma diferença clara de fase, como no exemplo estático anterior. Conforme
65
observado na Seção 3.5, para a planta exibir um comportamento aproximadamente
2π
estacionário, a frequência de oscilação w deve ser menor que
3600∗24∗40
. Utilizando
w
essa frequência para a perturbação senoidal e wl = wh = 20
, o modelo foi simulado
novamente em malha aberta para valores abaixo e acima do ponto ótimo.
−3
x 10
1.5
Entrada (AC)
1 Saida (AC)
0.5
−0.5
−1
−1.5
6 6.05 6.1 6.15 6.2 6.25 6.3
tempo [s] x 10
8
ótimo. (Perturbação lenta)
−3
x 10
1.5
Entrada (AC)
1 Saida (AC)
0.5
−0.5
−1
−1.5
4 4.05 4.1 4.15 4.2 4.25 4.3
tempo [s] x 10
8
ótimo. (Perturbação lenta)
66
As Figuras 4.24 e 4.25 mostram que o a saída do modelo passou a apresentar fase
e contrafase conforme descrito na Seção 1.
Com a frequência de oscilação w denida, a malha foi fechada para vericar a
aplicação da busca extremal. As frequências de corte dos ltros foram mantidas
w 10
como wl = wh = 20
e o ganho k foi denido como
T
, sendo T o período de oscilação
da perturbação. A condição inicial do integrador foi denida como wgc0 = 2, e o
modelo foi simulado.
3.4
wgc ótimo estimado [kg/s]
3.2
2.8
2.6
2.4
2.2
2
0 0.5e8 1e8 1.5e8
tempo [s]
Figura 4.26: Saída do integrador como estimativa do ponto ótimo
Conforme esperado, através das Figuras 4.26 e 4.27 observa-se que wˆgc que corres-
∗
ponde à estimativa de wgc convergiu para o valor ótimo. Da mesma forma, através
das Figuras 4.28 e 4.29 a saída do sistema passou a oscilar em torno do ponto de
∗
máximo wpo em regime permanente.
O resultado apresentado pelo controle extremal mostra que sua aplicação ainda
é inviável sicamente a poços de petróleo. As escalas de tempo são muito lentas
fazendo com que o período de oscilação da válvula de gas-lift seja de 3600 ∗ 24 ∗ 40

s = 40 dias, e o tempo de simulação para que ocorra convergência do algoritmo de
67
2.671
wgc ótimo estimado [kg/s]

2.67
2.669
2.668
2.667
2.666
2.665
2 2.02 2.04 2.06 2.08 2.1
tempo [s] 8
x 10
Figura 4.27: Saída do integrador ampliada
31.52
31.5
wpo [kg/s]
31.48
31.46
31.44
0 0.5e8 1.0e8 1.5e8

tempo [s]
Figura 4.28: Saída do sistema
108 s ≃ 30 anos. Esse tempo de espera não é aceitável para este tipo de processo
que precisa de resultados rápidos.
O fator limitante para a velocidade do algoritmo é a dinâmica da planta que é
muito lenta, e mesmo assim, deve ser a mais rápida das três escalas de tempo. Além
disso, a identicação de fase na saída do sistema é muito difícil, o que pode ser
explicado pela multiplicação por u direto na saída para estado de equilíbrio.
68
31.52
31.515
wpo [kg/s]
31.51
31.505
31.5
31.495
2 2.05 2.1 2.15 2.2
tempo [s] 8
x 10
Figura 4.29: Saída do sistema ampliada
4.4 Solução Proposta para Altas Frequências

Para simplicar a apresentação, considere que:
• u é a vazão wiv .
• y é vazão de produção de óleo wpo .
A planta inspirada no modelo do poço pode ser escrita como:
τ u̇f = −uf + u ,
y = h(uf )u .
Este sistema representa uma classe de plantas não explorada na literatura de Con-
trole por Busca Extremal para frequências altas do sinal de perturbação senoidal.
Algumas observações preliminares:
• u = θ + a sin ωt é a vazão wiv .
• Denindo P (jω) := 1
jτ ω+1
, tem-se:
uf = θ + a|P (jω)| sin(ωt + ϕ) .
69
• |P (jω)| = √ 1
ω 2 τ 2 +1
e tan(ϕ) = −τ ω
• Com ϕ conhecido ou estimado via um PLL, tem-se que |P (jω)| é conhe-
cido/estimado.
Considere agora o seguinte sinal auxiliar ȳ :
• Saída modicada: ȳ = uy uf ,
• sendo uf = θ + a|P (jω)| sin(ωt + ϕ).
Desta forma, temos o problema de ESC para a planta original
τ u̇f = −uf + u ,
y = h(uf )u ,
equivale ao problema de ESC para a planta
τ u̇f = −uf + u ,
ȳ = h(uf )uf ,
que recai num modelo HW, tratado na literatura e que permite frequências mais
altas de operação.
4.4.1 Resultados Preliminares
O controlador proposto foi implementado no Matlab/Simulink, ver guras a seguir:
No que segue foram obtidos resultados com período de oscilação de 3 dias e de
1 dia, com o modelo proposto e em seguida aplicado ao EMSO.
70
cidosfunction
SISTEMA
NAO LINEAR Manual Switch1
y
y u fase
Manual Switch
u theta
ybar
uf uf
DETETOR DE FASE
MODELO
PROPOSTO
u y
71
theta fase
ESC
Constant1 Scope2
Add2
Add6
Signal
Generator1
Figura 4.30: Diagrama de Blocos Principal.

Sine Wave2
2 b1 b1
uf
1 Scope2
u
−a1
x3
u Gain1
Out1 1
x2 y
x01 y
1/(tau*s+1) Divide
72
a2
Gain2
x01
x2
b2 b2
Figura 4.31: Modelo Proposto.

2
ybar
2
Divide2
u f(u) a
Clock
ufest
Fcn2 Gain1
y/u fase
1 Divide1 Add3
y Divide
Manual Switch 1
Ident
Fase fase
3
6.1
theta
fase_conhecida Scope4
4
73
uf Scope2
−tan(u)/w f(u)
tau ganho1
Manual Switch1
Scope1
1/sqrt(tau2^2*w^2+1) Scope3
ganho
Figura 4.32: Detector de Fase: PLL.

Scope3
Transfer Fcn
Sign
s+wl
wl
Scope1
Product
Transfer Fcn2
s+wh
s
Manual Switch
Fcn2
f(u)
1
y
fase
2
Clock
−K−
Gain
Integrator
s xo
Constant3
1
7
theta
2
Scope4
Add5
Sine Wave1
u
1
Figura 4.33: ESC.
Maximizante e Controle
4.5
3.5
2.5
0 50 100 150 200 250 300 350 400
4.5
3.5
2.5
0 50 100 150 200 250 300 350 400
Figura 4.34: Maximizante e Vazão wiv , período de oscilação de 3 dias.
74
Fase e Ganho via PLL
400
350
300
250
200
150
0 50 100 150 200 250 300 350 400
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300 350 400
Figura 4.35: Fase e Ganho Estimados pelo PLL, período de oscilação de 3 dias.
4
3.8
3.6
3.4
3.2
2.8
0 10 20 30 40 50 60 70 80 90 100
4.5
3.5
2.5
0 10 20 30 40 50 60 70 80 90 100
Figura 4.36: Maximizante e Vazão wiv , período de oscilação de 1 dia.

350
300
250
200
150
0 10 20 30 40 50 60 70 80 90 100
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
Figura 4.37: Fase e Ganho Estimados pelo PLL, período de oscilação de 1 dia.
75
5.5
4.5
3.5
2.5
0 50 100 150 200 250 300 350 400 450 500
2
0 50 100 150 200 250 300 350 400 450 500
Figura 4.38: EMSO: Maximizante e Vazão wiv , período de oscilação de 3 dias.

400
350
300
250
200
150
0 50 100 150 200 250 300 350 400 450 500
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300 350 400 450 500
Figura 4.39: EMSO: Fase e Ganho Estimados pelo PLL, período de oscilação de 3
dias.
76
Capítulo 5
Conclusão
Neste trabalho, foi realizado um estudo sobre o modelo não linear de um poço
operando por gas-lift, para o qual foi feita uma interpretação detalhada das equações
com o objetivo de entender melhor os princípios físicos do processo.
Através da análise do comportamento estático do sistema, foram observadas as
relações entre as diferentes variáveis em função da vazão de injeção de gás. Essa
análise revelou interações que possibilitaram uma restruturação do problema, na
qual a variável medida passaria a ser a pressão no fundo do poço e não a vazão
de produção. Dessa forma, o problema passaria a ser encontrar a vazão de injeção
de gás que minimiza a pressão de fundo de poço. A relação entre entrada e saída
em equilíbrio também serviu de base para o desenvolvimento de um novo modelo
aproximado.
Durante o trabalho foi realizada a implementação do modelo dinâmico não linear
do poço operando por gas-lift, que foi validada através da estimulação com diferentes
sinais e comparação da resposta com o modelo de poço implementado anteriormente
no simulador EMSO. Os modelos apresentaram um transitório muito lento para
respostas ao degrau revelando que a escala de tempo para a estabilização do sistema
é alta. As resposta a senóides em alta frequência mostram uma forte atenuação da
oscilação de entrada e diculdades para estimar o gradiente através da diferença de
77
fase.
Foi realizado um estudo sobre o método de busca extremal para encontrar o ponto
ótimo de sistemas dinâmicos não lineares, com modelos conhecidos e independentes
do conhecimento dos parâmetros do modelo. Inicialmente, o algoritmo foi analisado
separadamente em um exemplo no qual foram observados os sinais intermediários
e as condições de operação de malha aberta e da malha fechada. Dessa forma, foi
possível interpretar o funcionamento do algoritmo.
Em seguida, o método foi aplicado ao modelo não linear dinâmico do poço ope-
rando por gas-lift no qual foram vericadas as limitações da aplicação a essa classe
de sistemas dinâmicos lentos em malha fechada. A senóide utilizada como pertur-
bação do sistema precisa ser muito lenta para que o processo funcione de forma
aproximadamente estática e o método funcione corretamente. Uma proposta para
contornar esse problema foi desenvolvida.
5.1 Contribuições
Podem ser citadas como principais contribuições do trabalho:
• Exploração das equações do modelo estático e dinâmico de poços operando
por gas-lift.
• Implementação do modelo dinâmico e estático em uma nova plataforma.
• Aproximação do sistema por um modelo não linear que não é do tipo
Hammesrtein-Wienner.
• Identicação das limitações do algoritmo de busca extremal para uma deter-
minada classe de problemas.
78
5.2 Trabalhos Futuros
Conforme descrito durante o trabalho, embora o algoritmo encontre o ponto de
máximo do processo, o tempo necessário para encontrar esse ponto é inviável. Por-
tanto uma possível contribuição futura seria utilizar novas estratégias para melhorar
o desempenho do algoritmo para essa classe de sistemas.
Como novas estratégias podem ser citadas a implementação de observadores de
estados e compensadores para acelerar o processo, permitindo perturbações com
frequências mais altas para o controle por busca extremal, tornando todo o processo
de otimização mais rápido.
A elaboração do novo modelo também sugere que há uma multiplicação direta
entre a entrada e a saída do sistema que impede a identicação da fase. Portanto,
seria importante investigar os efeitos de dividir a saída do sistema pela entrada
conhecida para melhorar a identicação da fase e aumentar a eciência do algoritmo.
Outra abordagem interessante seria reformular o problema para minimizar a pres-
são de fundo de poço do modelo pois, conforme observado no trabalho, o ponto que
minimiza essa pressão é o mesmo que maximiza a produção de óleo. Simulações no
modelo dinâmico apontam que a fase do sistema se apresenta muito mais clara nesse
ponto de pressão do que na medida da vazão na saída do poço.
É importante ter em mente que o ponto que maximiza a produção de óleo não é
necessáriamente o que maximiza os lucros, pois nesse modelo não estão sendo consi-
derados os custo de compressão de gás e seus insumos. Portanto, outra abordargem
para a busca extremal seria maximizar uma função objetivos que considerasse esses
custos adicionais para maximizar o lucro do processo.
Além disso, o estudo feito neste trabalho considera apenas um poço de produção,
porém todo o trabalho pode ser extendido para uma planta completa de produção
oshore com múltiplos poços e modelos de risers, manifolds e separadores.
79
Referências Bibliográcas
AAMO, O., EIKREM, G., SIAHAAN, H., et al., 2004, Observer design for mul-
tiphase ow in vertical pipes with gas-lift - theory and experiments, Jour-
nal of Process Control, v. 15, n. 3, pp. 247257.
BANASZUK, A., ARIYUR, K., KRSTÍC, M., et al., 2004, An adaptative algo-
rithm for control of combustion instability, Automatica, v. 40, pp. 1965

1972.
CHOI, J.-Y., KRSTÍC, M., ARIYUR., K., et al., 2002, Extremum seeking con-
trol for discrete-time systems, IEEE Transactions on Automatic Control,

v. 47, pp. 318323.
COTA, R., REIS, Y., 2012, Controle Preditivo em Sistemas de Produção Oshore.
Projeto de graduação, UFRJ / Escola Politécnica, Rio de Janeiro, Brasil.
EIKREM, G., FOSS, B., IMSLAND, L., et al., 2002, Stabilization of gas lifted
wells. In: Proceedings of the 15th IFAC World Congress on Automatic

Control, Barcelona, Spain. IFAC.
EIKREM, G., IMSLAND, L., FOSS, B., 2004, Stabilization of gas lifted wells ba-
Proceedings of the 2003 International Sym-

sed on state estimation. In:
posium on Advanced Control of Chemical Processes, Hong Kong, China.

IFAC.
EIKREM, G., AAMO, O., FOSS, B., 2005, On Instability in gas-lift wells and
schemes for stabilization by automatic control. In: SPE Production &

Operations. Submitted.
GHAFFARI, A., KRSTI, M., NEI, D., 2012, Multivariable Newton-based
extremum seeking, Automatica, v. 48, pp. 17591767.

HU, B., 2004, Characterizing gas-lift instabilities. In: Norwegian University of
Science and Technology, Trondheim, Norway.
80
IMSLAND, L., EIKREM, G., FOSS, B., 2004, A state feedback controller for a
class of nonlinear positive systems applied to stabilization of gas-lifted oil
wells. In: Control Engineering Practice. Accepted.
KRSTÍC, M., 2000, Performance improvement and limitations in extremum see-
king control, Systems & Control Letters, v. 39, pp. 313326.

KRSTI, M., WANG, H.-H., 2000, Stability of extremum seeking feedback for
general nonlinear dynamic systems, Automatica, v. 36, n. 7 (April),
pp. 595601.
NOGUEIRA, E., 2012, Controle via Busca Extremal da Produção de Petróleo em

Poços Operando por Elevação Articial. Projeto de graduação, UFRJ /
Escola Politécnica, Rio de Janeiro, Brasil.
NUNES, G., 1994, Modelagem e Simulação Dinâmica de Separador Trifásica água-

óleo-gás. Dissertação de m.sc, COPPE/UFRJ, Rio de Janeiro, Brasil.
NUNES, G., MEDEIROS, J., ARAÚJO, O., 2010, Modelagem e controle na pro-
dução de petróleo: aplicações em Matlab.
OLIVEIRA, T., HSU, L., PEIXOTO, A., 2011, Output-feedback global trac-
king for unknown control direction plants with application to extremum-
seeking control. Automatica, v. 47, pp. 20292038.

OLIVEIRA, T., PEIXOTO, A., HSU, L., 2012, Global Real-Time Optimization by
Output-Feedback Extremum-Seeking Control with Sliding Modes, Jour-

nal of the Franklin Institute, v. 439, pp. 13971415.
PALKE, M., 1996, Nonlinear Optimization of Well Production Considering Gas
Lift and Phase Behavior. Tese de Mestrado, STANFORD UNIVERSITY.
PEIXOTO, A., OLIVEIRA, T., 2014, Global Output-Feedback Extremum Seeking
Control for Nonlinear Systems with Arbitrary Relative Degree. In:19th

World Congress of the International Federation of Automatic Control.
PEIXOTO, A., OLIVEIRA, T., 2012, Extremum Seeking Control via Sliding Mode
and Periodic Switching Function Applied to Raman Optical Ampliers.
In: American Control Conference (ACC 2012).

PERRY, R., CHILTON, C., 1980, Manual de Engenharia Química. Rio de Janeiro.
RIBEIRO, C., 2012, Controle Preditivo Multivariável com requisitos de quali-
dade em plataformas de produção de petróleo. Dissertação de m.sc,
COPPE/UFRJ, Rio de Janeiro, Brasil.
81
RIZZO FILHO, H., 2011, A Otimização de Gas Lift na Produção de Petróleo:
Avaliação da Curva de Performance do Poço. Dissertação de m.sc,
COPPE/UFRJ, Rio de Janeiro, Brasil, Janeiro.
SANTOS, J., 2007, Controle Preditivo Não-Linear para Sistemas de Hammerstein.

Tese de doutorado, UFSC, Florianópolis, Abril.
SCHUSTER, E., XU, C., TORRES, N., et al., 2007, Beam matching adaptative
control via extremum seeking, Nuclear Instruments & Methods in Physics

Research, Section A, v. 581, pp. 799815.
SKOGESTAD, S., STORKAAS, E., 2002, Stabilization of severe slugging based on
a low-dimensional nonlinear model. In: Norwegian University of Science

and Technology, Trondheim, Norway.
SOARES, R., SECCHI, A., 2003, EMSO: a new environment for modelling, simu-
lation and optimization. Computer Aided Chemical Engineering, v. 14,

pp. 947952.
THOMAS, J., 2001, Fundamentos de Engenharia de Petróleo.

WANG, H.-H., KRSTÍC, M., 2000, Extremum seeking for limit cycle miminiza-
tion, IEEE Transactions on Control Systems Technology, v. 45, n. 12
(December), pp. 24322437.
WANG, H.-H., YEUNG, S., KRSTÍC, M., 2000, Experimental application of ex-
tremum seeking on an axial-ow compressor, IEEE Transactions on Con-

trol Systems Technology, v. 8, n. 8 (March), pp. 300309.
YAU, H.-T., WU, C.-H., 2011, Comparisson of Extremum-Seeking Control Te-
chniques for Maximum Power Point Tracking in Photovoltaic Systems,
Energies, v. 4, pp. 21802195.
82

Monop

Enviado por

Direitos autorais:

Formatos disponíveis

Monop

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Monop

Enviado por

Direitos autorais:

Formatos disponíveis

MODELAGEM, SIMULAÇÃO E CONTROLE VIA BUSCA EXTREMAL DE

POÇOS OPERANDO POR GAS-LIFT

Arthur Fernandes dos Santos Xaud

Projeto de Graduação apresentado ao Curso de

Engenharia de Controle e Automação da Escola

Politécnica, Universidade Federal do Rio de

Janeiro, como parte dos requisitos necessários

à obtenção do título de Engenheiro.

Orientador: Alessandro Jacoud Peixoto

POÇOS OPERANDO POR GAS-LIFT

Arthur Fernandes dos Santos Xaud

PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO

CURSO DE ENGENHARIA DE CONTROLE E AUTOMAÇÃO DA ESCOLA

POLITÉCNICA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO

PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU

DE ENGENHEIRO DE CONTROLE E AUTOMAÇÃO.

Prof. Alessandro Jacoud Peixoto, D.Sc.

Prof. Argimiro Resende Secchi, D.Sc.

Prof. Tiago Roux Oliveira, D.Sc.

RIO DE JANEIRO, RJ  BRASIL

Modelagem, Simulação e Controle via Busca Extremal

de Poços Operando por Gas-Lift /Arthur Fernandes dos

Santos Xaud.  Rio de Janeiro: UFRJ/ Escola Politécnica,

XIII, 82 p.: il.; 29, 7cm.

Projeto de Graduação  UFRJ/ Escola Politécnica/

Curso de Engenharia de Controle e Automação, 2014.

Referências Bibliográcas: p. 80  82.

1. Controle Adaptativo. 2. Busca Extremal. 3.

Poços de Petróleo. 4. Elevação Articial. 5.

Injeção de gás. 6. Identicação de modelos. I.

Peixoto, Alessandro Jacoud. II. Universidade Federal do

Rio de Janeiro, Escola Politécnica, Curso de Engenharia

de Controle e Automação. III. Título.

parte dos requisitos necessários para a obtenção do grau de Engenheiro de Controle

Modelagem, Simulação e Controle via Busca Extremal de Poços Operando por

Arthur Fernandes dos Santos Xaud

Orientador: Alessandro Jacoud Peixoto

Curso: Engenharia de Controle e Automação

Na engenharia de petróleo, os reservatórios precisam de pressão suciente para ele-

var os uidos até a superfície. Quando a vazão de produção do poço encontra-se

abaixo de uma taxa economicamente viável, devido ao decaimento natural da pres-

são do reservatório, das condições geométricas do poço ou das características do

uido, costuma-se utilizar métodos de elevação articial. O método de gas-lift é

um dos métodos mais conhecidos de elevação articial sendo largamente utilizado

na indústria do petróleo. Em poços operando com gas-lift, a produção de óleo em

metro fundamental para maximizar a produção. A curva que representa a relação

entre a produção de óleo e a vazão de gas-lift é chamada de curva de performance

todos de otimização para encontrar o ponto ótimo de injeção de gás. Entretanto, as

CPPs são estimadas através de modelos matemáticos e não representam de forma

conável o comportamento do poço. Nesse contexto, o controle adaptativo de busca

independe do conhecimento do modelo e é robusto a incertezas paramétricas. O ob-

jetivo deste trabalho é estudar a aplicação e sintonia do algoritmo de busca extremal

em processos de poços de petróleo sujeitos ao método de elevação articial por gas-

Palavras-chave: Controle Adaptativo, Busca Extremal, Poços de Petróleo, Elevação

Articial, Injeção de gás, Identicação de modelos.

of the requirements for the degree of Engineer.

MODELLING, SIMULATION AND EXTREMUM SEEKING CONTROL OF

GAS LIFTED WELLS

RIO DE JANEIRO, RJ BRASIL

Santos Xaud. Rio de Janeiro: UFRJ/ Escola Politécnica,

Projeto de Graduação UFRJ/ Escola Politécnica/

Referências Bibliográcas: p. 80 82.

Poços de Petróleo. 4. Elevação Articial. 5.

Injeção de gás. 6. Identicação de modelos. I.

Na engenharia de petróleo, os reservatórios precisam de pressão suciente para ele-

var os uidos até a superfície. Quando a vazão de produção do poço encontra-se

uido, costuma-se utilizar métodos de elevação articial. O método de gas-lift é

um dos métodos mais conhecidos de elevação articial sendo largamente utilizado

conável o comportamento do poço. Nesse contexto, o controle adaptativo de busca

em processos de poços de petróleo sujeitos ao método de elevação articial por gas-

Articial, Injeção de gás, Identicação de modelos.

In Petroleum Engineering, reservoirs need enough pressure to lift uids to surface.

excelência e embasamento técnico suciente para a realização deste trabalho.

3.2 Modelo de Eikrem Modicado . . . . . . . . . . . . . . . . . . . . . . 18

2.2 Esquema simplicado de uma planta operando por gas-lift. Fonte:

3.7 Curvas auxiliares para justicativa da concavidade da CPP . . . . . . 31

3.9 Modelo de Eikrem Modicado implementado no EMSO no Simulink . 33

3.10 Modelo de Eikrem Modicado implementado em uma s-function no

3.20 Resposta do sistema a uma senóide rápida amplicada após o sistema

(KRSTI e WANG, 2000) . . . . . . . . . . . . . . . . . . . . . . . . 52