UNIVERSIDADE ESTADUAL DE CAMPINAS FACULDADE DE ENGENHARIA MECNICA INSTITUTO DE GEOCINCIAS

Anlise do Valor da Informao na Avaliao e Desenvolvimento de Campos de Petrleo

Autor: Alexandre M. Xavier Orientador: Prof. Dr. Denis J. Schiozer

12/2004

UNIVERSIDADE ESTADUAL DE CAMPINAS FACULDADE DE ENGENHARIA MECNICA INSTITUTO DE GEOCINCIAS

Anlise do Valor da Informao na Avaliao e Desenvolvimento de Campos de Petrleo

Autor: Alexandre M. Xavier Orientador: Prof. Dr. Denis J. Schiozer

Curso: Cincias e Engenharia de Petrleo

Dissertao de mestrado apresentada Subcomisso de Ps-Graduao Interdisciplinar de Cincias e Engenharia de Petrleo (FEM e IG), como requisito para a obteno do ttulo de Mestre em Cincias e Engenharia de Petrleo.

Campinas, 2004 S.P. Brasil ii

UNIVERSIDADE ESTADUAL DE CAMPINAS FACULDADE DE ENGENHARIA MECNICA INSTITUTO DE GEOCINCIAS

DISSERTAO DE MESTRADO

Anlise do Valor da Informao na Avaliao e Desenvolvimento de Campos de Petrleo

Autor: Alexandre M. Xavier Orientador: Prof. Dr. Denis J. Schiozer

Banca Examinadora: _______________________________________________ Prof. Dr. Denis J. Schiozer, Presidente Faculdade de Engenharia Mecnica UNICAMP _______________________________________________ Prof. Dr. Osvair Vidal Trevisan Faculdade de Engenharia Mecnica UNICAMP _______________________________________________ Dra. Solange da Silva Guedes Petrobrs S.A.

Campinas, 07 de dezembro de 2004 iii

Dedicatria

Dedico este trabalho aos meus pais, Elza e Heribaldo, e minha irm, Cristiane.

iv

Agradecimentos

Expresso meus agradecimentos:

minha famlia, que sempre esteve ao meu lado, sobretudo nos momentos mais difceis. Noele, por me incentivar e apoiar em todos os momentos durante a elaborao deste trabalho. Ao Prof. Dr. Denis Jos Schiozer, por me orientar desde a graduao at agora, pela pacincia e profissionalismo, e por acreditar na realizao e concluso deste trabalho. A todos os professores do DEP e do Instituto de Geocincias que contriburam para o meu aprendizado. Aos amigos e colaboradores do UNISIM, em especial Eliana, Rogrio, Clio e Paulo pelo apoio. Giselle e aos estagirios do DEP, pelo suporte computacional prestado. A Ftima, Dlcio e Alice, pelo suporte fornecido ao desenvolvimento deste trabalho. Agncia Nacional de Petrleo e ao CEPETRO, por contriburem com o suporte financeiro para a realizao deste trabalho.

A vida uma oportunidade de ousar. (George Clemenceau)

vi

Resumo

XAVIER, Alexandre Monticuco. Anlise do Valor da Informao na Avaliao e Desenvolvimento de Campos de Petrleo. Campinas, 2004. 159pp. Dissertao (Mestrado em Cincias e Engenharia de Petrleo) Faculdade de Engenharia Mecnica e Instituto de Geocincias, Universidade Estadual de Campinas UNICAMP, 2004. A capacidade de lidar com incertezas pode ser um fator decisivo para viabilizar projetos de avaliao e desenvolvimento de campos de petrleo. Um critrio econmico utilizado em processos de tomada de decises o valor da informao (VDI) que envolve a quantificao das incertezas, a avaliao econmica de diversos cenrios de desenvolvimento e a quantificao dos benefcios que dados adicionais podem trazer ao processo. O clculo do VDI pode ser complexo e demorado, principalmente nas fases de avaliao e desenvolvimento, em que uma modelagem detalhada do problema pode ser necessria. Nessas fases, a quantificao do VDI, assim como o de adicionar flexibilidade ao processo (valor da flexibilizao - VDF), deve levar em conta os benefcios que podem ser extrados do processo atravs da aplicao de estratgias de produo mais adequadas para os vrios cenrios possveis. A quantificao do VDI e VDF, portanto, exige que a estratgia de produo seja determinada para cada cenrio possvel. Como isso geralmente no vivel, devido ao grande esforo que seria exigido, existem simplificaes possveis, como a determinao de modelos geolgicos representativos (MGR) que podem fornecer a incerteza agregada dos atributos geolgicos. Dessa forma, o objetivo deste trabalho desenvolver e aplicar uma metodologia de clculo do VDI durante as fases de avaliao e desenvolvimento de campos de petrleo com aplicao para casos simples e complexos, considerando diferentes nmeros de parmetros analisados. Esta etapa realizada atravs da aplicao da metodologia em trs exemplos, sendo dois casos tericos, visando expor o conceito do VDI e VDF, e um caso real complexo, visando o clculo do VDI para um caso utilizando a simplificao do processo. Os resultados indicam que a preciso do clculo do VDI depende do nmero de MGR e a melhor forma de avaliao atravs da aplicao das melhores estratgias em todos os cenrios. Uma boa aproximao do VDI pode ser obtida pelo procedimento de incluso gradativa de MGR at a estabilizao dos resultados. Outra simplificao possvel usar tambm os MGR para representar a rvore no clculo do VDI, mas com prejuzo de preciso nos resultados. Palavras-chave: Valor da Informao, Valor da Flexibilizao, Anlise de Risco, Quantificao de Incertezas, Simulao de Reservatrios de Petrleo vii

Abstract

XAVIER, Alexandre Monticuco. Analysis of the Value of Information in the Appraisal and Development of Oil Fields. Campinas, 2004. 159pp. Dissertao (Mestrado em Cincia e Engenharia de Petrleo) Faculdade de Engenharia Mecnica e Instituto de Geocincias, Universidade Estadual de Campinas UNICAMP, 2004. The capacity to deal with uncertainties is responsible for the economic viability of petroleum fields. The Value of Information (VOI) is an economic criterion used in decisionmaking process. It involves the quantification of uncertainties and the economic evaluation of various development scenarios. The quantification of the value of the information (VOI) and flexibility (VOF) can be highly complex and time-consuming, mainly in the appraisal and development phases when a detailed modeling of the problem may be necessary. The quantification of the value of information and of flexibility must take into account the benefits that can be extracted of the process. In these phases, these benefits result from a specific production strategy applied to several possible scenarios after the acquisition of the information. Therefore, the quantification of the VOI and VOF demand that the production strategy be determined to each possible scenario. This is not usually viable because a great effort would be needed; to circumvent this problem, there are some alternatives, such as the determination of geologic representative models (GRM) that can represent the uncertainty of the geologic attributes. The objective of this work is to develop and apply a methodology that can calculate the value of information during the appraisal and development phases in petroleum fields which can be applied to simple and complex cases, considering the number of analyzed parameters. This stage is realized through the application of the methodology to three examples; two theoretical models showing the concept of the value of information and, one real and complex case that demands a detailed analysis of the process. The results show that the quality of the results depends on the number of GRM and the best quantification technique is to apply the best production strategy to all possible scenarios. It is shown in this work that a good approximation of the VOI can be obtained by a dynamic procedure including new GRM until a stabilization of the results. The GRM can be used also to represent the decision tree but with some deterioration of the results. Key words: Value of Information, Value of Flexibility, Risk Analysis, Quantification of Uncertainty, Petroleum Reservoir Simulation viii

ndice

Dedicatria......................................................................................................................................iv Agradecimentos ...............................................................................................................................v Resumo ..........................................................................................................................................vii Abstract.........................................................................................................................................viii ndice ..............................................................................................................................................ix Lista de Figuras .............................................................................................................................xii Lista de Tabelas ............................................................................................................................xvi Nomenclatura...............................................................................................................................xvii Captulo 1 ........................................................................................................................................1 Introduo........................................................................................................................................1 1.1 1.1.1 1.1.2 1.2 1.3 1.4 Reviso Bibliogrfica ......................................................................................................5 Valor da Informao...................................................................................................6 Valor da Flexibilizao.............................................................................................13 Motivao ......................................................................................................................19 Objetivos........................................................................................................................20 Organizao da dissertao ...........................................................................................21

Captulo 2 ......................................................................................................................................22 Conceitos - Fundamentao Terica .............................................................................................22 2.1 2.1.1 2.1.2 2.1.3 Anlises de Incerteza e Risco ........................................................................................22 Tratamento de incertezas ..........................................................................................28 Composio do Caso Base .......................................................................................30 Otimizao da estratgia para o Caso Base ..............................................................30 ix

2.1.4 2.1.5 2.1.6 2.1.7 2.2 2.3 2.3.1 2.3.2 2.3.3 2.3.4 2.3.5 2.3.6 2.3.7 2.3.8

Anlise de Sensibilidade...........................................................................................31 Simulao dos modelos do reservatrio ...................................................................32 Curva de Risco do Projeto ........................................................................................32 Escolha dos Modelos Representativos .....................................................................34 Modelos Representativos...............................................................................................34 Valor da Informao......................................................................................................36 Anlise de deciso ....................................................................................................37 Anlise econmica....................................................................................................40 rvore de deciso .....................................................................................................42 Estatstica..................................................................................................................46 Informao Completa ...............................................................................................47 Informao Incompleta.............................................................................................50 Informao com poucas variveis ............................................................................53 Informao com muitas variveis.............................................................................53

Captulo 3 ......................................................................................................................................54 Metodologia Proposta....................................................................................................................54 3.1 3.1.1 3.1.2 3.1.3 3.1.4 3.1.5 3.1.6 3.1.7 3.1.8 3.1.9 Metodologia...................................................................................................................54 Composio da curva de risco do projeto.................................................................57 Composio da rvore de derivao.........................................................................58 Transformao da rvore de derivao em rvore de deciso..................................58 Informao Completa ...............................................................................................60 Informao Incompleta.............................................................................................60 Escolha dos Modelos Representativos .....................................................................61 Otimizao dos Modelos Representativos................................................................62 Clculo dos VME sem e com informao ................................................................62 Determinao das probabilidades de ocorrncia dos MGR......................................66

3.1.10 Clculo do valor da informao................................................................................72 Captulo 4 ......................................................................................................................................73 Aplicaes e Resultados ................................................................................................................73 4.1 4.1.1 Exemplos I e II ..............................................................................................................73 Exemplo I .................................................................................................................76 x

4.1.2 4.2 4.2.1 4.2.2 4.2.3 4.2.4 4.2.5 4.2.6 4.2.7 4.2.8 4.2.9

Exemplo II ................................................................................................................81 Exemplo III....................................................................................................................87 Definio dos atributos incertos ...............................................................................89 Composio do caso base .........................................................................................91 Otimizao da estratgia para o caso base................................................................93 Anlise de sensibilidade ...........................................................................................93 Composio da curva de risco inicial para a estratgia inicial .................................96 Composio da rvore de derivao.........................................................................96 Transformao da rvore de derivao em rvore de deciso..................................98 Escolha dos modelos geolgicos representativos (MGR) ........................................98 Clculo dos VME com e sem informao Mtodo 1 rvore Completa.............99

4.2.10 Clculo dos VME com e sem informao Mtodo 2 MGR .............................116 4.2.11 Comparao entre mtodos ....................................................................................130 4.2.12 Discusses finais ....................................................................................................131 Captulo 5 ....................................................................................................................................134 Concluses e Recomendaes .....................................................................................................134 5.1 5.2 Concluses...................................................................................................................134 Recomendaes para trabalhos futuros .......................................................................137

Referncias Bibliogrficas...........................................................................................................139 Anexo 1 .......................................................................................................................................145 Exemplos I e II ............................................................................................................................145 Curvas de Permeabilidade Relativa.............................................................................................145 Anexo 2 .......................................................................................................................................147 Exemplo III..................................................................................................................................147 Processo de otimizao dos modelos representativos .................................................................147 Curvas de permeabilidade relativa ..............................................................................................156 Tabelas PVT ................................................................................................................................157

xi

Lista de Figuras

Figura 1.1. Aplicaes do VDI e VDF. ........................................................................................... 4 Figura 1.2. Clculo da flexibilizao do sistema de injeo. ........................................................ 15 Figura 1.3. Flexibilizao do sistema de produo. ...................................................................... 17 Figura 1.4. Situao em que o VDI, o VDF e a anlise determinstica so apropriados (Begg et al., 2002). .................................................................................................................... 18 Figura 2.1. Relao da avaliao do risco e VPL do projeto (Demirmen, 2001).......................... 24 Figura 2.2. Integrao das incertezas na Anlise de Risco (Schiozer et al., 2004). ...................... 25 Figura 2.3. Fluxograma do processo de anlise de risco. .............................................................. 26 Figura 2.4. Exemplo de funo densidade de probabilidade discretizada em trs nveis.............. 28 Figura 2.5. Exemplo de funo densidade de probabilidade discretizada em vrios nveis.......... 29 Figura 2.6. Curvas de risco hipotticas. ........................................................................................ 33 Figura 2.7. Impacto da aquisio de informaes no VPL acumulado do projeto (modificada de Demirmen, 2001)........................................................................................................ 37 Figura 2.8. Fluxo de caixa tpico de um projeto exploratrio [Suslick, 2001].............................. 41 Figura 2.9. rvore de derivao utilizada no clculo do VME..................................................... 42 Figura 2.10. Distribuio de probabilidade da funo objetivo VPL............................................ 43 Figura 2.11. Curva de risco para a funo objetivo VPL. ............................................................. 43 Figura 2.12. rvore de deciso...................................................................................................... 44 Figura 2.13. rvore de deciso parcialmente completa. ............................................................... 46 Figura 2.14. Funo densidade de probabilidade (fdp) de um parmetro (x) discretizada em 3 nveis........................................................................................................................... 48 Figura 2.15. rvore de derivao com 3 possibilidades de ocorrncia (3 nveis)......................... 49 xii

Figura 2.16. rvore de deciso com 3 possibilidades de ocorrncia (3 nveis). ........................... 49 Figura 2.17. rvore de deciso com 3 possibilidades de ocorrncia (simplificada). .................... 49 Figura 2.18. Funo densidade de probabilidade discretizada para a informao incompleta. .... 51 Figura 2.19. rvore de deciso com 2 nveis, cada um com 3 derivaes.................................... 52 Figura 2.20. rvore de deciso com 2 nveis, cada um com 2 derivaes (simplificado). ........... 52 Figura 3.1. Fluxograma da metodologia proposta para o clculo do valor da informao. .......... 56 Figura 3.2. Exemplos de curvas de risco de um projeto (modificada de Demirmen, 2001). ........ 58 Figura 3.3. Transformao da rvore de derivao em rvore de deciso. ................................... 59 Figura 3.4. Clculo da probabilidade de ocorrncia dos MGR pelo mtodo das nuvens.............. 68 Figura 3.5. Exemplo de clculo das probabilidades dos MGR 1 e 7 pelo mtodo dos ramos (a figura representa parte da rvore na vertical e o grupo 1 representado por 2 MGR). .................................................................................................................................... 69 Figura 4.1. Modelo de reservatrio com incerteza Exemplo I. .................................................. 74 Figura 4.2. Modelo de reservatrio com incerteza Exemplo II. ................................................. 75 Figura 4.3. Custo do sistema de produo em funo do nmero de poos (modificado de: Revista Brasil Energia). .............................................................................................. 76 Figura 4.4. rvore de deciso para o Exemplo I. .......................................................................... 78 Figura 4.5. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) em funo da probabilidade de ocorrncia da rea incerta............................................... 81 Figura 4.6. Ramificao da rvore de deciso para o exemplo II Com flexibilizao............... 82 Figura 4.7. Ramificao da rvore de deciso para o Exemplo II Com informao.................. 83 Figura 4.8. Ramificao da rvore de deciso para o Exemplo II Sem informao. ................. 83 Figura 4.9. Comparao entre o valor da informao (VDI) e o custo da informao (CDI)....... 85 Figura 4.10. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para probabilidades iguais de ocorrncia das reas incertas P1 e P2, considerando somente uma informao obtida. .............................................................................................. 86 Figura 4.11. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para diferentes probabilidades de ocorrncia das reas incertas, considerando duas informaes obtidas. ................................................................................................... 86

xiii

Figura 4.12. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para diferentes probabilidades de ocorrncia das reas incertas, considerando somente uma informao obtida. ...................................................................................................... 87 Figura 4.13. Mapa de topo [m] da malha de simulao. ............................................................... 88 Figura 4.14. Diferenciao entre os nveis do atributo modelo estrutural (areas)......................... 91 Figura 4.15. Estratgia inicial para o caso base (mapa de saturao de gua). ............................. 92 Figura 4.16. Anlise de sensibilidade para a funo objetivo VPL (20 anos)............................... 94 Figura 4.17. Anlise de sensibilidade para a funo objetivo Np (20 anos). ................................ 95 Figura 4.18. Anlise de sensibilidade para a funo objetivo Wp (20 anos). ............................... 95 Figura 4.19. Curva de risco do projeto. ......................................................................................... 96 Figura 4.20. rvore de derivao. ................................................................................................. 97 Figura 4.21. rvore de deciso subdividida em 6 grupos. .......................................................... 100 Figura 4.22. Concentrao das probabilidades de ocorrncia para cada modelo. ....................... 101 Figura 4.23. Ordem de escolha dos 12 modelos geolgicos representativos (MGR). ................ 102 Figura 4.24. Comparao entre os VPL dos 12 MGR antes e depois da otimizao. ................. 103 Figura 4.25. Diferena do nmero de poos para cada estratgia otimizada. ............................. 104 Figura 4.26. Variao da produo acumulada de leo e gua para cada MGR. ........................ 104 Figura 4.27. Clculo do VDI atravs da simulao de cada estratgia otimizada dos MGR em todos os ramos da rvore de derivao e deciso. .................................................... 106 Figura 4.28. Variao dos grupos no grfico VPL versus FR..................................................... 106 Figura 4.29. Clculo do VME de cada estratgia otimizada dos MGR em todos os ramos da rvore de derivao................................................................................................... 107 Figura 4.30. Curvas de risco com e sem informao para 2 atributos......................................... 108 Figura 4.31. rvore de deciso subdividida em 54 grupos. ........................................................ 109 Figura 4.32. Anlise dos 54 grupos da rvore de deciso. .......................................................... 110 Figura 4.33. Variao do VDI e dos VME com e sem informao............................................. 111 Figura 4.34. Curvas de risco com e sem informao para 2 atributos......................................... 111 Figura 4.35. Funo densidades de probabilidade da permeabilidade horizontal discretizada para a informao incompleta........................................................................................... 112 Figura 4.36. rvore de deciso subdividida em 36 grupos. ........................................................ 114 Figura 4.37. Variao do VDI e dos VME com e sem informao............................................. 115 xiv

Figura 4.38. Comparao entre os VDI completa e incompleta.................................................. 115 Figura 4.39. Escolha dos 3 modelos geolgicos representativos (MGR).................................... 116 Figura 4.40. Escolha dos 4 modelos geolgicos representativos (MGR).................................... 117 Figura 4.41. Escolha dos 5 modelos geolgicos representativos (MGR).................................... 117 Figura 4.42. Escolha dos 6 modelos geolgicos representativos (MGR).................................... 118 Figura 4.43. Escolha dos 7 modelos geolgicos representativos (MGR).................................... 118 Figura 4.44. Escolha dos 8 modelos geolgicos representativos (MGR).................................... 119 Figura 4.45. Escolha dos 9 modelos geolgicos representativos (MGR).................................... 119 Figura 4.46. Escolha dos 10 modelos geolgicos representativos (MGR).................................. 120 Figura 4.47. Escolha dos 11 modelos geolgicos representativos (MGR).................................. 120 Figura 4.48. Escolha dos 12 modelos geolgicos representativos (MGR).................................. 121 Figura 4.49. Probabilidades dos 3 MGR. .................................................................................... 122 Figura 4.50. Probabilidades dos 4 MGR. .................................................................................... 122 Figura 4.51. Probabilidades dos 5 MGR. .................................................................................... 122 Figura 4.52. Probabilidades dos 6 MGR. .................................................................................... 122 Figura 4.53. Probabilidades dos 7 MGR. .................................................................................... 122 Figura 4.54. Probabilidades dos 8 MGR. .................................................................................... 122 Figura 4.55. Probabilidades dos 9 MGR. .................................................................................... 123 Figura 4.56. Probabilidades dos 10 MGR. .................................................................................. 123 Figura 4.57. Probabilidades dos 11 MGR. .................................................................................. 123 Figura 4.58. Probabilidades dos 12 MGR. .................................................................................. 123 Figura 4.59. Exemplo de rvores de derivao e deciso simplificadas com 12 MGR. ............. 125 Figura 4.60. Variao do VDI e do VME com e sem informao para diferentes mtodos de clculo das probabilidades dos MGR. ...................................................................... 126 Figura 4.61. Curvas de risco considerando diferentes mtodos de clculo das probabilidades. . 127 Figura 4.62. Variao do VDI em funo do n de MGR e variao do VDI e do VME com e sem informao para diferentes mtodos de clculo das probabilidades dos MGR. ....... 128 Figura 4.63. Curvas de risco considerando diferentes mtodos de clculo das probabilidades. . 130 Figura 4.64. N de simulaes em funo do n de estratgias otimizadas para os mtodos da rvore Completa e dos MGR. .................................................................................. 133 Figura 4.65. N de simulaes em funo do n de estratgias otimizadas. ................................ 133 xv

Lista de Tabelas

Tabela 1.1. Custos associados s opes de investimento (Begg et al., 2002).............................. 14 Tabela 1.2. VPL e probabilidades de ocorrncia para cada cenrio possvel (Begg et al., 2002). 15 Tabela 1.3. Custos dos sistemas de produo (Begg et al., 2002)................................................. 16 Tabela 1.4. VPL, probabilidades de ocorrncia e taxas de produo (Begg et al., 2002)............. 17 Tabela 2.1. Dados do Exemplo...................................................................................................... 45 Tabela 3.1. Exemplo de clculo das probabilidades dos MGR 1 a 7 pelo mtodo dos ramos. ..... 69 Tabela 3.2. Exemplo de clculo das probabilidades dos MGR 1 a 6 pelo mtodo das distncias. 71 Tabela 4.1. Dados econmicos necessrios para o clculo de VDI e VDF................................... 76 Tabela 4.2. Caractersticas dos modelos otimista e pessimista do Exemplo I............................... 78 Tabela 4.3. Caractersticas dos modelos otimista, mdio e pessimista do Exemplo II. ................ 82 Tabela 4.4. Parmetros para anlise econmica. ........................................................................... 89 Tabela 4.5. Atributos incertos........................................................................................................ 90 Tabela 4.6. Disposio dos poos produtores e injetores. ............................................................. 92 Tabela 4.7. Otimizao do Modelo Base....................................................................................... 93 Tabela 4.8. Clculo do VDI para 12 MGR.................................................................................. 131

xvi

Nomenclatura

Abreviaes areas cpor dwoc G kr kro n MGR n EST N NG p permx permz por PVT modelo estrutural compressibilidade da rocha contato leo-gua nmero de grupos da rvore permeabilidade relativa curvas de permeabilidade relativa do leo e da gua nmero de modelos geolgicos representativos nmero de estratgias otimizadas nmero total de modelos ou cenrios possveis nmero de modelos ou cenrios por grupo probabilidade associada permeabilidade horizontal permeabilidade vertical porosidade tabela de presso-volume-temperatura para leo e gs

Letras Gregas mdia desvio-padro

xvii

Siglas CDI E&P Fdp FR MGR Np VDI VDF VE VME VMECI VMESI VOOIS VPL Wp Custo da informao Explorao e produo na indstria do petrleo Funo densidade de probabilidade Fator de recuperao de leo Modelo geolgico representativo Produo acumulada de leo Valor da informao Valor da flexibilizao Valor esperado Valor monetrio esperado Valor monetrio esperado com informao Valor monetrio esperado sem informao Volume de leo originalmente in situ Valor presente lquido Produo acumulada de gua

Subscritos 0 1 2 i j k l w nvel provvel (base) nvel pessimista nvel otimista ndice que varia de 1 a n MGR ndice que varia de 1 a N ndice que varia de 1 a G ndice que varia de 1 a N G ndice que varia de 1 a n EST

xviii

Captulo 1 Introduo

Na indstria de explorao e produo (E&P) de petrleo, o desenvolvimento de campos ou reservatrios de leo e gs feito sob condies de incertezas, no somente relacionadas caracterizao geolgica do reservatrio, mas tambm no que diz respeito aos parmetros econmicos, tecnolgicos e polticos.

Durante as fases de avaliao e desenvolvimento de campos de petrleo, principalmente dos campos martimos, esto associadas a um elevado nmero de incertezas com forte impacto nos resultados financeiros e altos investimentos, de modo que o processo de tomada de deciso deva ser um procedimento probabilstico e no mais determinstico, como realizado no passado. Procedimentos probabilsticos so mais comuns na fase exploratria e metodologias de anlise do problema so bem definidas [Newendorp, 1975 e Rose, 2001]. Nas fases de avaliao e desenvolvimento de campos de petrleo, a importncia das incertezas sobre o fator de recuperao cresce significativamente; entretanto, diferente da fase de explorao, metodologias probabilsticas ainda esto em estudo, pois necessitam de simplificaes, devido ao alto custo computacional da modelagem do reservatrio.

Begg et al. [2002] afirmam que o baixo desempenho da indstria E&P de petrleo largamente atribudo ao baixo investimento alocado em processos de tomada de deciso. Dentre muitos, a incerteza um dos fatores dominantes que influenciam o valor do projeto. Esta mesma incerteza pode ser derivada de anlises incompletas, falta de conhecimento e resultados de 1

processos e eventos que so efetivamente estatsticos. A falta de investimentos suficientes para estimar o retorno pode implicar na superestimao destes retornos ou na subestimao de riscos de perda.

Uma metodologia para a quantificao do risco nas fases de avaliao e desenvolvimento foi proposta por Loschiavo [1999] e implementada por Steagall [2001], Santos [2002] e Costa [2003]. Esta metodologia prope uma anlise de sensibilidade para reduzir o nmero de atributos incertos e a elaborao de uma rvore de derivao constituda pelos atributos crticos, sendo que cada ramo da rvore corresponde a um modelo de simulao. O emprego da simulao numrica de reservatrios na predio de produo responsvel pelo aumento de confiabilidade dos resultados. Esta metodologia pode necessitar de elevado esforo computacional e tempo do processo. Contudo, algumas simplificaes podem viabilizar esta metodologia, tais como: automao do processo e emprego de computao paralela [Ligero e Schiozer, 2002], tratamentos especiais aos atributos geolgicos [Costa & Schiozer, 2003], tratamento da estratgia de produo [Santos e Schiozer, 2003] e modelos de simulaes rpidos [Ligero et al., 2003].

Durante a fase de avaliao do campo ou reservatrio, torna-se necessrio, em algum momento, avaliar a continuidade dos investimentos, visando definir o desenvolvimento do projeto. O conhecimento acumulado obtido na fase inicial pequeno, devido baixa quantidade de informaes coletadas. Desse modo, o tomador de deciso encontra-se frente a trs possibilidades [Santos, 2002]: Optar pelo abandono do horizonte produtor: deciso tomada quando os dados disponveis indicam que se trata de um horizonte com pouca ou nenhuma atratividade econmica. Investir na coleta de informaes adicionais sobre o reservatrio: novos levantamentos ssmicos, novos processamentos, perfurao de mais poos de delimitao, execuo de testes de presso, realizao de testes mais detalhados, implantao de um plano piloto de produo, etc. Definir e implantar um plano de desenvolvimento do reservatrio, individualmente ou em conjunto com outra companhia. Neste caso, grandes investimentos sero definidos e alocados ao projeto numa fase em que o conhecimento sobre a jazida ainda reduzido.

A deciso de abandonar, prosseguir ou esperar e obter novas informaes pode parecer simples ou trivial, mas existem muitas particularidades e inmeras variveis que podem influenciar o processo de anlise de deciso devido ao elevado grau de incertezas. Por isso, o foco principal do presente trabalho determinar uma metodologia vivel para quantificar o valor de se investir na coleta de mais informaes sobre o projeto (valor da informao VDI), ou seja, quantificar a relevncia, do ponto de vista econmico, da obteno de novas informaes.

O risco envolvido na fase de desenvolvimento pode ser reduzido pela obteno de informaes adicionais que podem diminuir ou at mesmo remover determinada incerteza. Contudo, a aquisio de novas informaes est diretamente associada a um custo. De acordo com Mian [2002], antes da deciso de aquisio de qualquer informao adicional as seguintes questes devem ser respondidas: (1) vale a pena obter a informao adicional? e (2) havendo vrias fontes potenciais de informao capazes de melhorar o processo de deciso, qual delas preferida?

Segundo Coopersmith e Cunninghan [2002], a informao sobre o resultado incerto de um determinado evento pode ser perfeita, se possibilita a resoluo completa da incerteza, ou imperfeita, se conduz a uma resoluo parcial da incerteza. O valor de uma informao imperfeita sempre menor que o valor de uma informao perfeita, que representa o mximo que a informao pode valer.

Na definio do plano de desenvolvimento, o risco pode ser minimizado atravs da flexibilizao do sistema produtivo, de maneira que o projeto se torne verstil o suficiente para suportar a produo e injeo de fluidos em cenrios pessimistas e otimistas. A quantificao dos benefcios deste procedimento denominado valor da flexibilizao (VDF).

A flexibilizao pode ser completa ou incompleta. A flexibilizao completa corresponde possibilidade de tornar o dimensionamento do sistema produtivo totalmente flexvel, ou seja, aps a definio do sistema, diversas alteraes podem ser feitas no mesmo, como a adio de novos poos, plataformas ou equipamentos. Ao contrrio da flexibilizao completa, a flexibilizao incompleta no possui esta versatilidade, apresentando algumas restries, sejam 3

elas operacionais, tcnicas, ou relacionadas capacidade de armazenamento e tratamento de fluidos e segurana.

A Figura 1.1 mostra que, na presena de pouca incerteza, pode-se optar por no flexibilizar nem obter novas informaes, iniciando-se imediatamente o desenvolvimento do campo. Entretanto, quando a incerteza agregada ao projeto grande, pode-se desenvolver o campo, de maneira que esta deciso no tenha impacto no desenvolvimento do mesmo. Outra opo na presena de grandes incertezas e presentes a obteno de novas informaes e flexibilizao do sistema de produo. J na presena de grandes incertezas e no caso futuras, pode-se flexibilizar o sistema de produo, ou seja, gerenciar a incerteza atravs da flexibilizao.

Incerteza pequena

Sem Informao Sem Flexibilizao

Deciso sem impacto Deciso Incerteza grande Incerteza presente VDI

Incerteza futura

VDF

Figura 1.1. Aplicaes do VDI e VDF.

Uma anlise do valor da informao pode ser feita atravs do clculo da diferena do valor monetrio esperado (VME1) com e sem informao [Demirmen, 1996 e 2001; Koninx, 2000; Begg et al., 2002]. Se o valor de uma informao for inferior ao custo da aquisio da informao, a informao adicional no deve ser obtida. A anlise e clculo do valor de informao so usualmente descritos por rvores de derivao e deciso, mas podem ser explorados por outros mtodos, como Monte Carlo e opes reais, todos caracterizados por diferentes vantagens e desvantagens.
1

O conceito de valor mdio esperado bem difundido na indstria do petrleo. Para mais detalhes, vide Item

Anlise Econmica, Equao 2.4.

O clculo preciso do valor de informao e de flexibilizao pode ser muito complexo e demorado, pois um processo probabilstico. Isso se agrava nas fases de avaliao e desenvolvimento, em que uma modelagem detalhada do problema pode ser necessria. A quantificao desses valores (VDI e VDF) deve levar em conta os benefcios que podem ser extrados do processo. Nas fases citadas acima, esses benefcios s podem ser calculados atravs da quantificao dos benefcios da aplicao de uma estratgia de produo mais adequada, considerando todos os cenrios possveis resultantes da obteno da informao. A quantificao do VDI e VDF, portanto, exige que a estratgia de produo seja determinada para cada cenrio possvel. Como isso geralmente no vivel, devido ao grande esforo que seria exigido, existem algumas hipteses e suposies que podem ser consideradas para simplificar e viabilizar o clculo. Algumas delas so utilizadas e discutidas neste trabalho.

Existem muitas justificativas plausveis para a realizao da anlise do valor da informao em diversas reas e setores, por exemplo, a anlise de investimentos que devem ser empregados na rea de minerao, setor automotivo, telecomunicaes, etc. No setor petrolfero, em especial durante as fases de avaliao e desenvolvimento de campos de petrleo, a determinao da estratgia e dimensionamento do sistema de produo e de injeo, em geral para um perodo de 15 a 20 anos, depende fortemente de diversos parmetros incertos correlacionados entre si, que geram um grande nmero de cenrios possveis. Cabe equipe gerencial tomar a deciso de investir ou no nestes projetos ou obter novas informaes como auxlio a este processo.

1.1

Reviso Bibliogrfica

As literaturas explicitadas a seguir tm como objetivo mostrar a relevncia e aplicao da anlise do valor da informao no auxlio do processo de deciso e anlise de risco em projetos de E&P de petrleo. Contudo, nenhuma tentativa sistemtica foi, ainda, desenvolvida para explorar o potencial e as implicaes da metodologia do valor da informao exclusivamente na fase de avaliao e desenvolvimento de campos de petrleo.

1.1.1

Valor da Informao

Atualmente, o conceito de anlise do valor da informao est amplamente difundido. Existem aplicaes deste conceito para a fase de explorao de petrleo, mas no existe uma metodologia clara de como aplic-la nas fases de avaliao e desenvolvimento de campos de petrleo, principalmente quando a modelagem do problema feita atravs da simulao numrica de reservatrios, que uma ferramenta que demanda alto esforo computacional. A princpio, para casos simples, a anlise do valor da informao pode ser considerada uma tcnica de fcil compreenso. Todavia, torna-se complexa quando um grande nmero de parmetros incertos utilizado, quando a informao afeta diferentes atributos geolgicos e quando a informao no completa ou confivel.

Um dos trabalhos pioneiros relacionados ao clculo do valor da informao foi desenvolvido por Warren [1983]. O autor relata o impasse entre iniciar ou rejeitar o desenvolvimento de um projeto ou postergar a deciso at quando mais informaes forem adquiridas e analisadas em determinado tempo.

Lohrenz [1988] apresenta um mtodo para orientar importantes tomadas de deciso na engenharia de petrleo atravs do clculo do valor da informao, ilustrados em quatro exemplos, em que a informao obtida pode ser favorvel (boas notcias) ou no favorvel (ms notcias). No obstante, deve-se considerar o fato da informao estar errada.

O autor discute tambm o fato de que a informao obtida para orientar decises futuras ou subseqentes. Entretanto, a informao pode ser produzida ou adquirida para outros propsitos, como para criar uma imagem ou dar a impresso de que a mesma ser til de qualquer maneira, em vez de realmente aumentar a chance de melhores decises futuras. Um exemplo especfico seria o grande investimento em alta tecnologia por parte dos gerentes, mas sem dar a devida ateno aos resultados, tomando decises por intuio. Questiona-se, ento, se pertinente pagar por algo que talvez possa no ser utilizado.

A obteno de informaes dadas como certas pode gerar falsas expectativas. Ao acreditar que estas informaes so totalmente corretas, existe uma tendncia que pode gerar uma projeo otimista, de forma que o desempenho tenda a ser menor que estas projees (Lohrenz, 1988). Pode-se acrescentar ao comentrio do autor que uma projeo pessimista tambm pode levar a resultados sub-timos.

O autor cita ainda que o efeito do preo do leo como um fator de grande influncia na anlise foi estudado, mostrando que, com sua queda, apesar de diminuir o valor do projeto, faz com que a informao seja mais valiosa quando a variao do mximo valor da informao em relao ao preo negativa. Caso contrrio, quando esta variao positiva, o valor da informao declina rapidamente com o preo do leo. Entretanto, deve-se ressaltar a existncia de projetos em que o valor da informao e o preo do leo no seguem necessariamente o mesmo padro descrito acima.

Gerhardt et al. [1989] discutem as vantagens e desvantagens do mtodo de clculo proposto por Lohrenz [1988]. Afirmam que a informao adicional deveria ser obtida somente se a mesma contribui para o aumento do valor esperado e para a reduo do risco do investimento da companhia.

Em geral, o valor da informao adicional depende do grau de incerteza presente na caracterizao do reservatrio, da representatividade da informao e da opo de flexibilizao.

Umas das dificuldades da implementao deste mtodo o estabelecimento das probabilidades dos eventos, embora casos histricos ou estudos detalhados de relatrios governamentais possam fornecer uma magnitude destas probabilidades.

Dunn [1992] descreve uma tcnica numrica para o clculo do valor da informao perfeita atravs da obteno de perfis de poos, utilizando conceitos como a perda de oportunidade, esperana parcial, expectativa de perda e distribuio de probabilidade. O autor define tambm o valor presente lquido e o potencial de perda como funes do parmetro que est sendo medido, de forma que o valor da informao possa ser quantificado. 7

O autor relata sobre a sensibilidade do tipo de distribuio de probabilidade usada para descrever a incerteza do parmetro em questo. Embora possa ser difcil assumir uma distribuio normal, triangular ou uniforme, deve-se verificar os efeitos de cada distribuio no clculo do valor da informao.

Dunn [1992] afirma tambm que a informao somente tem valor se a mesma tem capacidade de alterar futuras decises que podem minimizar a perda ou proporcionar ganho financeiro. Exemplos citados em seu trabalho mostram que em situaes em que a incerteza baixa e os potenciais de perda so pequenos, o valor da informao baixo. Por outro lado, se a incerteza e os potenciais de perda so altos, o valor da informao alto. Pode-se acrescentar que nem sempre incertezas altas resultam em VDI altos; isso s ocorre se a informao afetar significativamente a deciso aps a sua coleta.

Clemen [1995] demonstra algumas tcnicas usadas para calcular o valor da informao, como o diagrama de influncia e a rvore de deciso. Ele tambm diferencia os conceitos de informao perfeita e imperfeita no clculo do valor da informao, em que a informao perfeita considerada como sempre correta, eliminando todo tipo de incerteza do problema, sendo a melhor situao possvel. J a informao imperfeita est sujeita a erros (pode-se acrescentar aos comentrios do autor que a informao imperfeita ou incompleta pode tambm no tirar totalmente a dvida sobre a incerteza a qual est sendo minimizada). Alm disso, explicita que o valor esperado da informao pode ser zero ou positivo, mas nunca negativo. E que o valor esperado de qualquer fonte de informao deve estar entre zero e o valor esperado do valor da informao perfeita (totalmente correta, eliminando todo tipo de incerteza).

Demirmen [1996] afirma que o conceito de Valor da Informao pode ser aplicado avaliao de sub-superfcie na explorao e produo de petrleo, para proporcionar um critrio consistente que justifique tal atividade. O uso do valor da informao deve ajudar a evitar a subavaliao e a super-avaliao, em que ambos representam perda de recursos que influenciam a lucratividade do projeto. Introduz ainda alguns conceitos sobre informao completa, informao parcial completamente confivel e informao parcial no completamente confivel.

Na fase de explorao, as ssmicas 2D e 3D podem ser utilizadas na obteno de novas informaes e na reduo de incertezas. Aylor [1999] afirma que diversas metodologias podem ser usadas para prever se uma determinada tecnologia (no caso a ssmica 3D) ser capaz de evitar a perfurao de poos secos e maximizar a incidncia de poos com a presena de leo.

Comenta que a ssmica 3D tem-se mostrado extremamente importante no desempenho das operaes de E&P para a Amoco. Uma anlise feita em seu trabalho para prever o impacto da ssmica 3D em determinadas reas, atravs da utilizao da rvore de deciso implcita no diagrama de Venn, usando os conceitos da inverso de Bayes.

Floris et al. [2000] mostram um estudo de caso utilizando um sistema de auxlio deciso (mtodo DSS), para analisar o valor da informao para um campo com incertezas em relao ao volume de leo in situ subdividido em dois blocos, conectados ou no (posterior definio do sistema de produo), e existncia de algum mecanismo natural de produo, como um aqfero, expressivo ou no (posterior definio do sistema de injeo).

Koninx [2000] demonstra a metodologia de clculo do valor da informao atravs de dois exemplos, utilizando a ssmica 3D e a perfurao de um poo na aquisio de novos dados (perfeitos ou imperfeitos) para o desenvolvimento de um determinado campo de petrleo. Afirma que a anlise do valor da informao raramente aplicada na prtica, devido complexidade e ao grande trabalho para lidar com diversos parmetros e muitas hipteses.

Demirmen [2001] discute o conceito de valor da informao como critrio de deciso. O objetivo reduzir o risco econmico com respeito ao desenvolvimento do campo. Comenta neste artigo que, quando uma descoberta feita, a deciso de ir em frente com o desenvolvimento e como desenvolv-la cercada por incertezas. Relata sobre trs tipos de risco de desenvolvimento: (1) oportunidade de perdas: quando um projeto abandonado como no econmico, quando na verdade econmico; (2) desenvolvimento no comercial: quando um campo no econmico desenvolvido sob a errnea concepo de que econmico; (3) desenvolvimento sub-timo: quando o desenvolvimento com relao ao rendimento do campo menor que o mximo retorno econmico que poderia ser realizado se o modelo correto do reservatrio fosse aplicado. Destaca 9

neste trabalho o desenvolvimento sub-timo. Nesta situao, grandes conseqncias afetam o plano de desenvolvimento do campo. Como exemplo, citado um campo no Mar do Norte, mostrando erros envolvidos nesse processo na ordem de 300% com relao capacidade de produo de gua na comparao entre os dados de produo e o estimado.

O conceito relacionado com a quantificao dos benefcios (valor) desse tipo de informao mais fcil de ser entendido a posteriori. A determinao do valor da informao antes da sua obteno um pouco mais complexa e deve levar em considerao todos os cenrios possveis de serem obtidos com a informao e suas respectivas probabilidades de ocorrncia. A quantificao do VDI resultado do benefcio mdio esperado que a informao pode proporcionar.

Begg et al. [2002] discutem como tomar melhores decises focando o investimento em capital intelectual e financeiro em projetos na presena de incertezas. Discutem tambm que uma das principais causas do baixo desempenho da indstria do petrleo o baixo investimento na tomada de decises e a avaliao inexata dos impactos da incerteza.

No processo de deciso, os autores contestam: qual o valor da aquisio e anlise de dados? Seria melhor lidar com a incerteza atravs do investimento na reduo da mesma, ou elaborar um plano para gerenci-la? Como a incerteza pode ser explorada para agregar um valor mximo ao projeto? Todas estas questes levam ao entendimento, utilizao e comparao de tcnicas como o valor da informao, o clssico fluxo de caixa descontado, o valor da flexibilizao e as opes reais.

Os autores citam ainda trs peas principais para o clculo do valor da informao: As probabilidades estimadas dos possveis resultados; A confiabilidade da informao, ou seja, a eficincia da informao em prever resultados; O valor do projeto em termos monetrios para cada resultado possvel. Coopersmith et al. [2002] afirmam que o valor da informao funo da magnitude da incerteza da varivel-chave para a qual se considera a informao obtida, da magnitude do impacto monetrio futuro da deciso (dada a informao conhecida relacionada varivel 10

incerta) e da confiabilidade da informao. Propem tambm uma metodologia de clculo do valor da informao em doze passos: Estabelecer um caso base e identificar as variveis que mais influenciam o projeto atravs da anlise de sensibilidade, da rvore de deciso e da curva de risco; Listar e classificar itens de interesse, ou seja, observar o problema e dividi-lo em categorias como: Fatos (custos, VPL, etc.), Decises (escolhas) e Incertezas (variveis das quais no se tm controle); Determinar o foco do problema atravs de um diagrama triangular, separando as decises relevantes em 3 categorias distintas: decises j tomadas (planos de ao), decises estratgicas e decises a serem implementadas. Esta hierarquia nas decises serve para determinar o impacto monetrio futuro destas decises e listar polticas e hipteses relevantes que poderiam afetar o problema; Este passo utiliza uma tabela de incertezas que lista as incertezas-chave, as decises associadas e as alternativas de informao relacionadas com cada incerteza; Isolar e avaliar as vantagens de obteno da informao para uma determinada varivel incerta de uma fonte de informao em um determinado tempo; Estruturar a anlise do valor da informao representando a ordem cronolgica das decises que so tomadas; Avaliar o caso sem informao; Avaliar o caso com informao perfeita e calcular o valor da informao perfeita; Desenhar a rvore de deciso cronolgica para informao imperfeita; Determinar a confiabilidade da informao a ser obtida, dado que a informao fornece um resultado: qual a probabilidade de a mesma estar correta? Aplicar o Teorema de Bayes; Calcular o valor da informao imperfeita. Portella et al. [2003] aplicam a tcnica desenvolvida por Floris et al. [2000] para a anlise do valor da informao associado tcnica de planejamento de experimentos, sob condies de incerteza, para otimizar a explorao de um novo bloco em um campo de guas ultra-profundas, localizado na Bacia de Campos. As propriedades de maior impacto na incerteza volumtrica foram: a relao espessura porosa, a posio do contato gua e leo e a permeabilidade absoluta. 11

Inicialmente, foi construdo um modelo em trs dimenses do reservatrio em um simulador de fluxo, considerando-se duas variveis incertas e trs nveis de incerteza. Foram, ento, alocados 9 modelos na rvore de deciso. Posteriormente, foi feita uma comparao entre a produo acumulada de leo provenientes da simulao numrica e da metodologia de superfcie de resposta, mostrando-se similares. A partir da, a rvore foi construda combinando a rvore de deciso com a simulao Monte Carlo. O parmetro permeabilidade foi utilizado para realizar a simulao Monte Carlo. Para a combinao de cada cenrio (nove no total), as curvas de produo oriundas da metodologia de superfcie de resposta foram inseridas (uma para cada cenrio de permeabilidade) e, para cada iterao de Monte Carlo, o software escolheu ao acaso uma das curvas para calcular o valor presente lquido do projeto. Comparando-se as rvores de deciso com e sem a informao, foi obtido um valor de informao de US$ 43,94 milhes, no caso, maior que o custo de perfurao de um poo. Aps a aquisio dos dados, outras informaes tambm foram obtidas, como a localizao do topo da estrutura e a saturao inicial de gua, diferentes dos valores utilizados na simulao. Isto mostra que a obteno de novas informaes pode reduzir a incerteza de parmetros no somente dos extremamente crticos, como os classificados no problema, como tambm dos demais e ser til em um futuro estudo, obtendo uma melhor anlise de incerteza.

Esta metodologia, assim como outras encontradas na literatura, pode ser aplicada a uma fase inicial na avaliao de campos, utilizando a rvore de deciso como critrio utilizado de investir ou no investir no final dos ramos da rvore, ou seja, supondo que a informao foi obtida e um dos ramos resulte em VPL negativo, a opo sugerida pelo autor seria o no investimento no projeto. Entretanto, este critrio apenas elimina cenrios de VPL negativo do projeto, no usufruindo do uso da informao para alterar a estratgia de produo do campo em questo. Isso resulta claramente em sub-avaliao do valor da informao. Por exemplo, se todos os cenrios tivessem VPL positivo, essas metodologias resultariam em VDI iguais a zero, enquanto que, se as estratgias adequadas fossem aplicadas aos cenrios possveis, a informao claramente traria valor ao processo.

Pode-se observar que, embora o conceito do VDI seja relativamente claro, a complexidade do processo inviabiliza a quantificao desse valor na prtica. No se encontrou na literatura um 12

trabalho com uma metodologia clara de clculo do VDI para casos com diversos atributos incertos. O objetivo do presente trabalho , portanto, de apresentar uma metodologia vivel de quantificao do VDI para a fase de avaliao de campos de petrleo, atravs de simplificaes do processo que tornam o clculo possvel, mantendo a confiabilidade no processo.

1.1.2

Valor da Flexibilizao

Antes de se proceder aquisio da informao, baseada no valor monetrio esperado (VME) positivo do estudo do valor da informao, deve-se tambm determinar a possibilidade da flexibilizao do projeto, ou seja, uma variao na estratgia de produo que esteja alocada entre os possveis cenrios (pessimistas, intermedirios e otimistas).

Pode-se apresentar uma anlise similar do valor da informao, em que o objetivo agora determinar se o benefcio esperado da flexibilizao supera seu custo, nomeado por Valor da Flexibilizao.

Dezen et al. [2001] comparam duas metodologias de anlise de projetos: a do Fluxo de Caixa Descontado (uma metodologia tradicional) e outra utilizando a teoria das Opes Reais. O valor da flexibilizao comparado a uma opo financeira em que ambos esto sujeitos a variaes futuras.

Dezen et al. [2002] definem flexibilizao como uma propriedade de um plano de desenvolvimento de um campo. A flexibilizao permite que uma empresa mude o curso de um projeto quando novas informaes so descobertas. Esta habilidade para reagir a informaes inesperadas proporciona gerncia tomar decises que beneficiaro o projeto.

A flexibilidade de se postergar um projeto permite realocar o investimento de capital em oportunidades de investimentos mais atrativos e de reavaliar o projeto em uma data posterior.

Begg et al. [2002] apresentam quatro circunstncias em que a flexibilizao pode ser empregada: 13

 Quando a aquisio da informao no possvel; Quando mais barata do que a aquisio da informao; Para gerenciar a incerteza residual depois da aquisio da informao; Quando aumenta o valor do projeto. Nos primeiros trs itens, o objetivo de minimizar os riscos (impactos negativos) associados com a incerteza e, no ltimo item, explorar a incerteza.

Os autores descrevem dois exemplos do uso da flexibilizao no gerenciamento de incertezas. O primeiro lida com a eliminao do risco do suporte de um aqfero insuficiente para o desenvolvimento de um campo, seguido por outro exemplo relacionado incerteza do volume de leo originalmente in situ (VOOIS).

No primeiro exemplo, os autores ilustram o uso da flexibilizao no gerenciamento da incerteza na possvel presena de um grande aqfero que auxiliaria o desenvolvimento de um campo em guas profundas. Supondo que existem boas chances de o aqfero ser grande o suficiente para tornar desnecessria a implantao de um sistema de injeo de gua, esta a melhor estimativa, a qual resulta em VPL de US$ 350 milhes. Entretanto, h 25% de chance de o aqfero ser mdio e 15% de chance de ser pequeno, resultando em VPL 0 e US$ 150 milhes, respectivamente. Para eliminar estas possibilidades, duas alternativas so consideradas: a primeira incluir o sistema de injeo na plataforma; a segunda construir uma plataforma com espao e potencial suficientes para a colocao do sistema de injeo em uma data futura. Os custos associados s escolhas esto na Tabela 1.1 e os VPL e suas respectivas probabilidades de ocorrncia, na Tabela 1.2.

Tabela 1.1. Custos associados s opes de investimento (Begg et al., 2002). Sistema de injeo pr-instalado [milhes US$] Sem sistema de injeo [milhes US$] Plataforma flexvel [milhes US$] Colocao do sistema de injeo [milhes US$] 1000 800 860 160

14

Tabela 1.2. VPL e probabilidades de ocorrncia para cada cenrio possvel (Begg et al., 2002). Grande 60% 200 350 290 Aqfero Mdio 25% 150 0 130 Pequeno 15% 100 -150 80

Probabilidades de ocorrncia Com injeo de gua VPL Sem injeo de gua [milhes US$] Injeo flexvel

Se o aqfero for grande, o cenrio determinstico sem injeo de gua ter o maior VPL. O cenrio caracterizado pela plataforma flexvel ter o segundo maior VPL, com uma perda de 60 milhes de dlares, devido ao custo da flexibilizao. Entretanto, se o aqfero for mdio ou pequeno, o cenrio com sistema de injeo ter o maior VPL, seguido pelo cenrio com flexibilizao, que custa mais devido instalao do sistema de injeo em data futura, quando a plataforma j est em produo. Para determinar a melhor deciso, pode-se visualizar a rvore de deciso na Figura 1.22.

Figura 1.2. Clculo da flexibilizao do sistema de injeo.

2

Neste trabalho, este tipo de diagrama utiliza a padronizao em que o quadrado simboliza a tomada de

deciso, e o crculo, a ocorrncia de um evento.

15

O valor monetrio esperado do sistema de injeo pr-instalado menor do que o do cenrio sem sistema de injeo, e no justificvel economicamente. A melhor escolha a instalao da plataforma flexvel, que tem como opo instalar o sistema de injeo posteriormente, caso haja necessidade, resultando em VME 31 milhes de dlares maior que a melhor alternativa (caso sem injeo).

No segundo exemplo, o autor ilustra a eliminao do risco atravs da flexibilizao para extrair valor a partir da incerteza, assumindo que um estudo ssmico foi realizado aps o clculo do valor da informao. A incerteza com relao ao VOOIS foi determinada em uma escala mdia, mas ainda existe uma incerteza residual, ou seja, mdio-grande, mdio-mdio e mdiopequeno. Foi decidido desenvolver o campo com uma nica plataforma, e as opes so: Plataforma tamanho mdio, baseada na melhor estimativa do VOOIS equivalente escolha determinstica que ignora a incerteza remanescente; Plataforma tamanho grande, que pode comportar o cenrio em que o VOOIS grande; Plataforma flexvel, inicialmente com mesma capacidade que a plataforma tamanho mdio, mas que projetada para a possibilidade de expanso, ou seja, adio de poos e capacidade de processamento extra, caso ocorra o cenrio em que o VOOIS grande.

Os custos so mostrados na Tabela 1.3 e os VPL, probabilidades de ocorrncia e taxas mximas de produo so mostrados na Tabela 1.4.

Tabela 1.3. Custos dos sistemas de produo (Begg et al., 2002). Plataforma tamanho grande [milhes US$] Plataforma tamanho mdio Plataforma flexvel Custo de expanso 400 300 330 90

A expanso somente ir ocorrer se o real VOOIS for mdio-grande. Neste caso, o VPL da opo com plataforma flexvel US$ 280 milhes maior do que com a plataforma tamanho mdio, mas US$ 20 milhes menor do que com a plataforma tamanho grande, devido atualizao do dinheiro no tempo e custos adicionais na construo de dois estgios. Se o real VOOIS mdio-mdio, o VPL para a plataforma flexvel US$ 30 milhes menor do que com a 16

plataforma mdia, devido ao custo do no uso da flexibilizao, mas US$ 70 milhes maior do que com a plataforma grande. Se o real VOOIS pequeno, os VPL refletem todos os casos de super dimensionamento. Para determinar a escolha da melhor plataforma, constri-se a rvore de deciso, como mostra a Figura 1.3.

Tabela 1.4. VPL, probabilidades de ocorrncia e taxas de produo (Begg et al., 2002). Mdio-Grande 30% 100 60 100 600 300 580 VOOIS Mdio-Mdio 40% 60 60 60 200 300 270 Mdio-Pequeno 30% 40 40 40 0 100 70

Probabilidades Plataforma grande Taxas Plataforma mdia [103 bll/dia] Plataforma flexvel Plataforma grande VPL Plataforma mdia [milhes US$] Plataforma flexvel

Figura 1.3. Flexibilizao do sistema de produo.

17

Pode-se observar que a opo com a plataforma grande melhor do que a opo com a plataforma mdia. Entretanto, a plataforma flexvel a melhor opo com um VME 63 milhes maior do que a opo com a plataforma mdia.

Gerenciar incertezas mais do que eliminar ou reduzir o risco. A utilizao da flexibilizao em um projeto oferece a oportunidade para agregar valor ao projeto, e o valor da mesma aumenta com o aumento da incerteza, como mostra a Figura 1.4.

alta

VDF Eliminao do Risco Anlise Determinstica VDI Reduo de Incertezas

Flexibilidade baixa

baixa Incerteza

alta

Figura 1.4. Situao em que o VDI, o VDF e a anlise determinstica so apropriados (Begg et al., 2002).

Se a incerteza existe, o que verdade na maioria das oportunidades de investimento, a flexibilizao sempre agregar valor ao projeto, se no houver custos ou se for mais barato do que outras alternativas. Se h um custo que anlogo ao custo de uma opo financeira, este deve ser ponderado com seus benefcios.

Iatchuk [2004] afirma que a flexibilizao de alguns projetos possui algumas complicaes. Por exemplo, aps a definio do sistema de produo martimo, a flexibilidade para a introduo de alteraes, como a incluso de novos poos, pequena. As dificuldades esto associadas 18

pequena disponibilidade de espao no convs das plataformas, s limitaes de carga da estrutura e arquitetura do arranjo submarino. Outros fatores indesejveis do ponto de vista operacional so: o aumento na capacidade de processamento, a adio de novos risers e o lanamento de novas linhas de escoamento.

Uma vez implantado o projeto, pode haver srias implicaes quando se altera o nmero de poos: o aumento na capacidade de processamento de leo, da injeo de gua ou gs, da compresso de gs, do tratamento da gua injetada ou produzida, entre outras. Caso um estudo mais abrangente sobre a flexibilizao do nmero de poos em projetos no mar (offshore) seja feito, deve-se levar em considerao inmeros cenrios, utilizando-se tambm plataformas Fixas, Semi-Submersveis, FPSO, TLP, SPAR, etc.

Por esta menor flexibilidade em campos martimos, a quantificao mais precisa do valor da informao assume importncia maior, pois a definio de estratgias pouco flexveis para casos com grandes incertezas passa a ter risco maior.

Um fato importante que deve ser levado em considerao a flexibilizao de sistemas de produo em terra, que so mais versteis e acessveis se comparados aos sistemas martimos de produo, proporcionando ao sistema produtivo mais flexibilidade posteriormente sua definio ou implantao. Esta flexibilidade est relacionada adio de poos produtores e injetores, ao aumento da capacidade de produo e injeo de fluidos, introduo de novos equipamentos e a um melhor dimensionamento da rea explorada em questo.

1.2

Motivao

A anlise do valor da informao tem-se destacado atualmente nos processos de anlise e tomada de deciso, demonstrando grande potencial tanto na fase de explorao quanto nas fases de avaliao e desenvolvimento, principalmente no desenvolvimento de: Campos martimos que apresentam menor flexibilidade de mudanas;

19

 Campos marginalmente econmicos, em que cada investimento possui grande importncia e influncia no fluxo de caixa e no VPL do projeto, ou seja, a falta ou o excesso de informaes obtidas em projetos de E&P tem forte impacto em seu retorno. Apesar de o conceito do valor da informao ser bem difundido, ele no foi largamente aplicado, devido complexidade e tempo exigidos em determinados casos, devendo ser investigado com mais detalhes, com o intuito de explorar o potencial desta ferramenta extremamente importante na anlise e tambm na viabilizao de projetos na indstria de petrleo.

Alm disso, a dificuldade no clculo do valor da informao est diretamente relacionada com a complexidade do problema, ou seja, em casos em que simplificaes no so aconselhadas, uma nova metodologia torna-se necessria.

1.3

Objetivos

Os principais objetivos desta dissertao podem ser subdivididos basicamente em trs partes: Revisar e esclarecer os conceitos e aplicaes do valor da informao e de flexibilizao em projetos no desenvolvimento de campos de petrleo; Elaborar uma metodologia detalhada de anlise e clculo do valor da informao como uma ferramenta de auxlio ao processo de tomada de decises durante as fases de avaliao e desenvolvimento de campos de petrleo; Aplicar a metodologia proposta tanto em casos simples quanto em casos mais complexos, com maior nmero de variveis incertas, considerando a obteno de informaes completas e incompletas, em que a anlise do VDI torna-se complicada.

Outros objetivos do trabalho so: explorar a metodologia de anlise de risco, amadurecer e desenvolver a utilizao do conceito dos modelos geolgicos representativos3, estudando o
3

Modelos geolgicos representativos foram introduzidos por Schiozer et al. [2004] para simplificar o

processo de anlise de risco e esto sendo utilizados neste trabalho, sendo definido nos prximos captulos.

20

impacto destas simplificaes, que auxiliam e viabilizam o clculo do valor da informao. Embora em vrias partes do texto estejam sendo apresentados os conceitos de VDI e VDF, o foco principal do trabalho a quantificao do VDI, pois o VDF ainda necessitaria de um estudo mais completo dos tipos de flexibilidades possveis de serem introduzidos em cada caso estudado.

1.4

Organizao da dissertao

Este trabalho est dividido em 5 captulos. No Captulo 1 foi elaborada uma breve introduo, seguida pelas revises bibliogrficas do valor de informao e flexibilizao. No Captulo 2 apresentada uma reviso dos principais conceitos e fundamentos tericos relevantes para o entendimento do trabalho proposto, como: a metodologia de anlise de risco, o conceito de modelos representativos, a elaborao da rvore de derivao e deciso, uma anlise econmica, o teorema de Bayes e a definio de informao completa e incompleta.

No Captulo 3, apresenta-se o desenvolvimento da metodologia, com a descrio das principais etapas, empregando a tcnica proposta neste trabalho em trs exemplos, dentre eles dois casos tericos e didticos, visando explicitar os conceitos do valor da informao e da flexibilizao, e um caso representando a avaliao e desenvolvimento de um campo petrolfero real modificado, visando aplicar a metodologia passo a passo.

No Captulo 4, so apresentados e analisados os resultados obtidos no presente estudo. No Captulo 5 so apresentadas as concluses e contribuies desta dissertao e tambm prope algumas recomendaes para pesquisas futuras.

21

Captulo 2 Conceitos - Fundamentao Terica

Este captulo tem como objetivo introduzir os principais conceitos necessrios para o entendimento e composio do processo de clculo e anlise do valor da informao. Dentre os itens, os principais correspondem metodologia de anlise de risco, utilizao de modelos representativos, essncia do valor da informao completa e incompleta, s anlises de deciso e econmica e, por ltimo, s rvores de deciso e derivao.

2.1

Anlises de Incerteza e Risco

Os conceitos de incerteza e risco so muitas vezes aplicados no processo de anlise de deciso de projetos. Embora na prtica eles sejam usados como sinnimos ou erroneamente confundidos, tm significados distintos.

Segundo Stermole e Stermole [1974], o termo incerteza usado para se referir possvel variao nos parmetros que afetam a avaliao de investimento. Risco refere-se avaliao de um investimento usando um mecanismo conhecido que incorpore as probabilidades de ocorrncia de sucesso ou falha e diferentes valores de parmetros de investimento. Ambos, incerteza e risco, influenciam quase todos os tipos de decises de investimento, especialmente investimentos envolvendo pesquisa e desenvolvimento para qualquer indstria e para a explorao de minrios, leo e gs. 22

Rose [2001] denomina o risco como a ameaa de perda. Decises de risco ponderam o nvel de investimento levando-se em conta quatro fatores: o valor financeiro lquido, a chance de sucesso ou fracasso, o potencial de ganho e o potencial de perda. As ltimas trs consideraes so baseadas em estimativas, feitas sob incerteza.

Groebner e Shannon [1993] definem incerteza como a impossibilidade de prever resultados. Pode-se especificar os possveis resultados para cada alternativa de deciso, mas no se pode conhecer o exato resultado de um caminho qualquer a ser tomado.

J para projetos de explorao, o risco uma medida de desvio nos valores esperados para o fluxo de caixa [Gentry e ONeil, 1984]. Vrios fatores fornecem a incerteza, como custos de operao, quantidade de reservas, preo do produto, etc.

Embora seja muito variado e discutido, o conceito de incerteza utilizado neste trabalho corresponde a uma grandeza associada falta de conhecimento de atributos, sejam estes geolgicos, tecnolgicos ou econmicos, cujos valores no podem ser obtidos de maneira precisa. A incerteza dos atributos causa incerteza tambm na previso de produo. A associao da incerteza de produo associada ao retorno financeiro dos projetos e ao processo decisrio, por exemplo, de definio de estratgia de produo, resulta na quantificao do risco.

As diversas dificuldades nas descobertas de jazidas de hidrocarbonetos estimularam o incio do uso de ferramentas de anlise de risco j na dcada de 1960. Embora esta anlise no garanta o xito de uma deciso, o seu uso sistemtico apresenta muitas vantagens, dentre elas a quantificao de perdas e o desenvolvimento sub-timo quando o desempenho de um campo difere de sua expectativa.

No princpio, a anlise de risco foi utilizada na fase de explorao, com a finalidade de avaliar o risco e sua probabilidade de sucesso exploratrio, alm de quantificar os possveis volumes originais in situ. Com o aumento dos custos em geral e a necessidade de explorar reas remotas e horizontes cada vez mais profundos, a abordagem da anlise de risco tem sido

23

difundida tambm na fase de desenvolvimento de campos, porque nesta fase esto inseridos os maiores investimentos no projeto.

Demirmen [2001] define trs tipos de risco (Figura 2.1) no desenvolvimento de um campo de petrleo, que devem ser considerados no processo de deciso: (1) a perda de oportunidade, que ocorre quando um prospecto abandonado porque foi considerado invivel economicamente e, no entanto, vivel; (2) o desenvolvimento invivel economicamente, que ocorre quando considerado vivel economicamente e, no entanto, invivel; e (3) o desenvolvimento no otimizado, que ocorre quando o desenvolvimento do campo foi subestimado ou superestimado em sua capacidade de produo e infra-estrutura.

Figura 2.1. Relao da avaliao do risco e VPL do projeto (Demirmen, 2001).

O risco uma funo de incertezas, principalmente (1) geolgicas, (2) econmicas e (3) tecnolgicas, que podem ser integradas, como mostra a Figura 2.2. Entretanto, a avaliao do risco no s afetada por estas incertezas. A estimativa do risco tambm afetada pelo modelo da estratgia de produo e pelo gerenciamento do processo de deciso, especialmente para anlise de reservatrios complexos que exigem um nvel de detalhamento na estimativa da produo somente obtida pela simulao numrica ou tcnicas similares.

24

Incertezas Geolgicas Incertezas Tecnolgicas Incertezas Econmicas Anlise de Portfolio

Modelo Geolgico

Modelo de Recuperao

Estratgia de Produo

Anlise de Risco

Processo de Deciso

Desenvolvimento do Campo
Figura 2.2. Integrao das incertezas na Anlise de Risco (Schiozer et al., 2004).

A metodologia de anlise de risco, que ser aplicada inicialmente nesta tese, foi desenvolvida primeiramente por Loschiavo [1999], sofrendo uma evoluo nos trabalhos de Steagall [2000] e Santos [2002]. Baseia-se na simulao de diversos modelos de fluxo que representam os possveis cenrios do reservatrio, atravs da combinao dos atributos incertos que o caracterizam. As principais etapas desta metodologia so: Tratamento de incertezas existentes, com a definio dos atributos de reservatrio tidos como incertos, seus valores e probabilidades de ocorrncia associadas; Definio dos atributos mais crticos, atravs de uma anlise de sensibilidade parmetro a parmetro, a partir do modelo de reservatrio mais provvel; Simulao de todos os modelos probabilsticos possveis, obtidos da combinao dos atributos crticos, e clculo da funo objetivo para cada modelo. Na montagem dos modelos de simulao, os atributos crticos so tratados como independentes entre si. A funo objetivo escolhida para este trabalho foi o Valor Presente Lquido (VPL). Obteno da curva de risco do projeto, atravs da tabulao dos resultados de VPL contra probabilidades de ocorrncia acumuladas; Obteno de modelos de simulao representativos das variabilidades geolgicas de recuperao e VPL atravs de grfico especializado. 25

A Figura 2.3 mostra o fluxograma do processo de anlise de risco. Uma descrio mais detalhada desta metodologia demonstrada nos prximos itens.

Modelagem do reservatrio

Definio dos atributos incertos

Composio do Caso Base

Definio da funo - objetivo

Otimizao da estratgia de produo do Caso Base

Anlise de sensibilidade

Definio dos Atributos Crticos

Reviso dos Atributos Crticos

Combinao dos Atributos Crticos rvore Derivao

Computao Paralela

Tratamento Estatstico

Curva de Risco
Figura 2.3. Fluxograma do processo de anlise de risco.

O processo de anlise de risco explicitado acima usufrui do mtodo das rvores de deciso, um dos possveis dentre outros. Esta anlise tambm pode ser realizada atravs da simulao Monte Carlo e da Teoria das Opes Reais. 26

Galli et al. [1999] compara trs mtodos usados para avaliar projetos na indstria do petrleo: opes reais, rvore de deciso e simulao Monte Carlo. O mtodo das opes reais proveniente do mercado financeiro, e incorpora o modelo Black and Scholes para a varivel preo e expressa o valor do projeto como uma equao diferencial estocstica. As rvores de deciso se originam de pesquisas operacionais e da teoria dos jogos, negligenciando as variaes do preo no tempo, concentrado na estimativa das probabilidades dos possveis valores do projeto, utilizando s vezes a Teoria de Bayes. De maneira simples, a simulao Monte Carlo somente requer a especificao das distribuies de probabilidades de todos os parmetros pertencentes equao do VPL. Distribuies estatsticas padres, como as distribuies normal, lognormal, triangular e uniforme, so escolhidas para representar a variabilidade de cada parmetro. Em muitos casos, as variveis so assumidas mutuamente independentes, para simplificar os clculos. Alguns valores so selecionados de cada parmetro de forma randmica para cada ano e substitudos na equao para obter um possvel valor de VPL. Esta operao repetida centenas ou milhares de vezes, resultando em um histograma de possveis projetos.

O autor compara a simulao Monte Carlo e a rvore de deciso, do ponto de vista matemtico, afirmando que a rvore de deciso um mtodo que avalia o maior VPL esperado dentre diversos ns de deciso, em oposio simulao Monte Carlo, que calcula o VPL esperado para um cenrio especfico. No entanto, ao contrrio da simulao Monte Carlo, a rvore de deciso no gera o histograma dos possveis VPL. Esse parece ser o preo por incorporar a opo de deciso. Ambos os mtodos usam a tradicional taxa de desconto para levar em considerao o valor do dinheiro no tempo, e ambos tambm possuem problemas em lidar com as variveis correlatas. O terceiro mtodo, das opes reais, abandona a taxa de desconto e a substitui pela taxa livre de risco, um conceito oriundo do mercado financeiro.

Segundo o autor, existem trs principais fontes de divergncia entre os trs mtodos: (1) o modo como eles lidam com o valor do dinheiro no tempo, (2) como a incerteza est disposta em cada parmetro, e (3) se eles incorporam a flexibilidade gerencial.

A simulao Monte Carlo padro foca a modelagem da incerteza nos valores dos parmetros analisados, e em geral ignora a flexibilidade gerencial. Em contraste a isso, a rvore 27

de deciso analisa diferentes estratgias, escolhendo a que maximiza o VPL esperado. Por ltimo, a teoria das opes engloba a variao do dinheiro no tempo, mas no incorpora informaes tcnicas, ou seja, no considera variaes na estratgia de produo, que tambm so importantes na anlise.

2.1.1

Tratamento de incertezas

Dependendo do estgio em que o projeto se encontra nas fases de avaliao e desenvolvimento, existem diferentes nveis de incerteza associados ao mesmo. Por exemplo, no incio destas fases, a quantidade de informaes obtidas at ento pequena, e a incerteza maior.

A identificao dos atributos em que existe a presena de incertezas e o conseqente estabelecimento da curva de probabilidade de ocorrncia cabe aos especialistas, gelogos e engenheiros envolvidos na avaliao do reservatrio.

Para o caso da anlise atravs da rvore de deciso, cada atributo contnuo discretizado em nveis de incerteza associados a probabilidades de ocorrncia (Figura 2.4 e Figura 2.5). Segundo Jensen [1998], Salomo e Grell [2001] apud Santos [2002], devido ao grande esforo computacional que pode resultar de um nmero grande de nveis, usual a adoo de trs nveis, representando o maior (otimista), o menor (pessimista) e o provvel (intermedirio) valor. Esses valores podem, se necessrio, ser definidos de maneira direta pela multiplicao, diviso ou translao do valor mais provvel.
f d p ( )
Funo Densidade de Probabilidade

Figura 2.4. Exemplo de funo densidade de probabilidade discretizada em trs nveis. 28

f d p( )
Funo Densidade de Probabilidade

Figura 2.5. Exemplo de funo densidade de probabilidade discretizada em vrios nveis.

Para atributos que se caracterizam por uma distribuio discreta de probabilidades, o nmero de nveis de incerteza a serem adotados definido pela quantidade de anlises confiveis e representativas disponveis. Nestes casos, pode no ser possvel definir quais so os nveis otimista e pessimista sem o uso da simulao de fluxo. Exemplos de possveis variveis discretas so: anlise PVT, imagens de determinada propriedade e curvas de permeabilidade relativa.

Comparando-se os mtodos da rvore de deciso e Monte Carlo com relao ao tratamento de incertezas, o mtodo da rvore de deciso caracterizado por discretizar a variao de cada parmetro em nveis, realizando a combinao de todos os cenrios atravs da rvore de derivao. Em contrapartida, o mtodo de Monte Carlo necessita de um nmero relativamente grande de simulaes a serem realizadas para tornar o processo confivel a ponto de se aproximar ao mximo das distribuies de cada parmetro analisado. Desse modo, a anlise por este mtodo torna-se invivel para o clculo do valor da informao, devido ao elevado nmero de simulaes necessrias, considerando o tempo despendido para cada simulao em um simulador de fluxo e tambm o processo de otimizao. O processo de anlise de risco atravs de Monte Carlo pode ser possvel se o processo de modelagem do reservatrio for simplificado, por exemplo, atravs da substituio do simulador numrico por uma superfcie de resposta, como mostra Dejean et al. [1999]. Entretanto, o clculo do valor de informao, como ser apresentado posteriormente, necessita da avaliao do impacto de mudanas da estratgia de produo, de maneira que esse passo pode no ter confiabilidade suficiente se mtodos muito simplificados de modelagem forem aplicados. Dessa forma, neste trabalho, foi utilizado o conceito de rvore de derivao.

29

2.1.2

Composio do Caso Base

Um modelo do reservatrio a ser estudado deve ser formulado, definindo-se uma estratgia de produo inicial mais adequada, de forma que seja um modelo utilizado como referncia para a posterior anlise de sensibilidade. Este modelo deve ser constitudo pelo conjunto de todos os nveis mais provveis dos atributos incertos e aqui nomeado de Modelo Base ou Caso Base.

2.1.3

Otimizao da estratgia para o Caso Base

O processo de otimizao utilizado no modelo base e dos demais modelos apresentados neste trabalho seguem a metodologia proposta por Santos [2002]. O procedimento adotado sugere a escolha de aes que so capazes de melhorar o VPL do projeto quando aplicado ao modelo de simulao. Essas aes esto explicitadas abaixo: a) Remover poos produtores que apresentem VPL negativo; b) Reordenar cronograma de entrada em operao a partir do VPL individual dos poos; c) Avaliar a possibilidade de re-alocao de poos produtores ou injetores; d) Remover os injetores menos importantes; e) Desativar canhoneios com produo de leo desprezvel; f) Remover produtores de menor expresso; g) Converter produtores em injetores.4

Se, ao aplicar um passo, ocorrer ganho no valor da funo objetivo, a modificao preservada no modelo de simulao e o passo seguinte executado. Caso contrrio, o modelo mantido e o passo seguinte executado. Como forma de maximizar a otimizao, cada modelo submetido ao conjunto de passos de otimizao uma segunda vez, ao fim da qual considera-se que a otimizao foi concluda. A aplicao de uma terceira ou quarta rodada considerada desnecessria, dado que, conforme testes efetuados, os ganhos passam a ser progressivamente menores e pouco significativos.

Os Itens e) e g) no foram utilizados neste trabalho, para tornar o processo de otimizao mais simplificado.

30

2.1.4

Anlise de Sensibilidade

Grant e Ireson [1970] afirmam que a sensibilidade diz respeito magnitude da mudana em um ou mais elementos de um problema de economia que poder inverter uma deciso com vrias alternativas. Assim, se um parmetro pode ser alterado, sob uma srie de valores, sem afetar a deciso final, esta deciso no sensvel s incertezas, levando-se em conta este elemento. Por outro lado, se uma pequena mudana na estimativa de um elemento alterar a deciso, esta considerada muito sensvel a mudanas no referido elemento.

Santos [1988] comenta que, no estudo de viabilidade econmica, a anlise de sensibilidade consiste em fazer variar um ou mais parmetros que envolvem o projeto e comparar com a correspondente variao no resultado. Deve-se dar mais ateno aos elementos para os quais o resultado mais sensvel.

Portanto, pode-se considerar que a anlise de sensibilidade um meio de avaliar os efeitos da incerteza no investimento, determinando-se como a lucratividade do investimento varia conforme so variados os parmetros que afetam o resultado da avaliao econmica. Em outras palavras, a anlise de sensibilidade uma ferramenta para identificar as variveis que, quando alteradas, podem afetar consideravelmente a deciso [Stermole e Stermole, 1974].

Em resumo, a anlise de sensibilidade utilizada para reduzir o nmero de modelos possveis a um patamar aceitvel, permitindo que cada um dos valores de cada atributo incerto seja classificado, segundo sua relevncia no desempenho do reservatrio, em crtico ou no crtico. Assume-se que os nveis no crticos possam ser eliminados sem prejuzo da qualidade da anlise de risco do projeto. Os atributos incertos crticos passam, ento, a representar toda a incerteza presente no projeto. O ganho da anlise de sensibilidade a reduo do nmero total de modelos a simular, decorrente do menor nmero de variveis a combinar.

31

2.1.5

Simulao dos modelos do reservatrio

Aps a anlise de sensibilidade, os atributos que sofreram eliminao de nveis devem ter as probabilidades de seus valores remanescentes redistribudas [Costa, 2003]. So ento gerados todos os modelos de simulao possveis com a combinao de todos os nveis dos atributos crticos. Cada um desses modelos tem sua probabilidade de ocorrncia calculada a partir das probabilidades individuais dos nveis usados na sua construo:
Pmod elo = Pnvel 1 Pnvel 2 Pnvel 3 ...

(2.1)

e tambm

mod elo

=1

(2.2)

Todos os modelos so, ento, submetidos ao simulador numrico e geradas as respectivas curvas de fluidos produzidos e injetados. Utilizando um programa, os VPL so calculados para cada modelo, em que cada VPL possui uma probabilidade de ocorrncia do modelo que o gerou.

2.1.6

Curva de Risco do Projeto

Os valores da funo objetivo calculados so dispostos em ordem decrescente em paralelo com as probabilidades acumuladas. Aps isto, a curva de risco da funo escolhida construda para um determinado perodo de produo. Exemplos desta curva podem ser visualizados na Figura 2.6, considerando a funo objetivo f(x).

32

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

f(x)

f(x)

(a) Curvas de risco, maior VE (vermelho), menor VE (azul).

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

(b) Distribuies normais, equivalentes ao Item (a).

f(x)

f(x)

(c) Curvas de risco, menor risco (vermelho), maior risco (azul).

(d) Distribuies normais, equivalentes ao Item (c).

Figura 2.6. Curvas de risco hipotticas.

A verificao e avaliao do risco agregado ao projeto pode ser realizada atravs da funo objetivo, visualizando-se os percentis P10, P50 e P90 de probabilidade de ocorrncia. Observando a Figura 2.6 Item (c), pode-se afirmar que a diferena entre os percentis P10 e P90 com relao curva (azul) possui maior variao do que a curva (vermelha) e, conseqentemente, um maior risco associado ao projeto. O Item (d) corresponde s respectivas curvas normais de cada projeto em que a curva azul possui um desvio-padro () maior que a curva vermelha, considerando a mesma mdia (). Alm disso, com relao ao deslocamento das curvas sobre o eixo x, pode-se afirmar que a curva (vermelha) no Item (a) possui um maior valor 33

esperado (VE) da funo objetivo do que a curva azul, considerando as mesmas probabilidades de ocorrncia. Por exemplo, se a funo objetivo considerada fosse o VPL, a curva vermelha possuiria maiores retornos, se comparada com a curva azul. J o Item (b) mostra as curvas correspondentes ao Item (a), ou seja, as distribuies normais de probabilidades com diferentes mdias () e mesmo desvio-padro ().

2.1.7

Escolha dos Modelos Representativos

Com o aumento do nmero de atributos crticos e de seus respectivos nveis de probabilidade de ocorrncia, torna-se invivel a otimizao de cada modelo utilizado na rvore de deciso, modificando-se sua estratgia de produo e maximizando seu respectivo VPL ou outra funo objetivo. A partir deste fato, optou-se por seguir a metodologia de escolha de alguns modelos chamados de representativos para cobrir a variabilidade de modelos geolgicos gerados no processo e que pudessem ser utilizados para o clculo aproximado do VDI. O grau de aproximao e dependncia desses modelos um dos aspectos estudados neste trabalho.

2.2

Modelos Representativos

Steagall [2001] apresenta, como um dos objetivos de seu trabalho, a verificao da existncia de modelos, obtidos pela combinao dos atributos, que possam representar os modelos otimistas, mdios e pessimistas e estudar a diferena de comportamento de produo entre eles.

Nesta metodologia, mais de um modelo, prximos aos percentis P10, P50 e P90, podem ser escolhidos como otimista, mdio ou pessimista, respectivamente, devido existncia de muitos modelos que podem ser representativos em relao s incertezas do reservatrio. Desta forma, duas questes so levantadas no trabalho: existem modelos representativos para os casos otimista, mdio e pessimista do reservatrio, definidos atravs de um percentil para a funo objetivo analisada e que serviria para os estudos adicionais do desenvolvimento do campo? No existindo um nico modelo para cada caso, existiria algum critrio para escolha dos modelos?. 34

Para o caso estudado, no existe um modelo nico que possa representar os modelos com incertezas pessimistas, mdias e otimistas [Steagall, 2001]. Para investigar quais modelos podem ser escolhidos como representativos, apresentado um estudo na tentativa de escolha destes modelos para a funo objetivo VPL. A escolha do modelo otimista foi feita considerando os modelos que obtiveram resultados prximos do percentil P10, e para os modelos mdio e pessimista considerou-se os valores prximos aos percentis P50 e P90, respectivamente.

Santos [2002] utiliza o conceito de modelos representativos como um subsdio tomada de deciso por permitirem, por exemplo, dimensionamento de instalaes de produo, detalhamento posterior dos planos de desenvolvimento e avaliar a flexibilidade entre esses planos para cada uma das expectativas de realizao.

Costa [2003] tambm utiliza o conceito de modelos representativos e afirma que a adoo destes modelos na representao das incertezas geolgicas e integrao das mesmas com as demais incertezas uma forma de reduzir o tempo e o esforo requerido no processo, viabilizando significativamente a anlise.

Schiozer et al. [2004] empregam o conceito de modelos representativos na quantificao de incertezas geolgicas, aplicando a integrao desses modelos com a incerteza relativa escolha da estratgia de produo na otimizao desses modelos, para uma posterior integrao com as incertezas econmicas e tecnolgicas. Os resultados mostram que a integrao desses modelos com a estratgia de produo aumenta a viabilidade do processo, reduzindo significativamente o nmero de simulaes envolvidas e o esforo computacional do processo.

A utilizao destes modelos tem como intuito utilizar poucos modelos com diferentes caractersticas das funes objetivo. A seleo de modelos representativos pode estar baseada nas funes objetivo, como valor presente lquido (VPL), produo de leo (Np), fator de recuperao (FR) e produo de gua (Wp). O critrio de seleo a escolha de modelos com diferenas significantes no fator de recuperao (FR) que esto prximos de P10, P50 e P90 do valor presente lquido (garantindo tambm uma grande variao no Np e Wp). Em exemplos testados no trabalho, foram utilizados at 9 modelos representativos. 35

O critrio de escolha destes modelos representativos aplicados a este trabalho difere um pouco dos apresentados acima, de forma que sero discutidos na metodologia proposta no Captulo 3.

2.3

Valor da Informao

A anlise do valor da informao (VDI) pode ser considerada uma ferramenta que proporciona um consistente critrio para tomadas de deciso. No caso da otimizao na fase de avaliao, o VDI permite uma anlise econmica de uma srie de cenrios de desenvolvimento, com e sem avaliao da informao. Um esforo multidisciplinar necessrio. Um dos principais objetivos desta ferramenta reduzir o risco econmico, com ateno voltada para campos em desenvolvimento.

Uma vez que uma descoberta feita, a deciso de ir adiante com o desenvolvimento do campo e de como desenvolv-lo influenciada por muitas incertezas do reservatrio. A habilidade de tratar com incertezas do reservatrio um fator primrio que determina a viabilidade econmica de um projeto de desenvolvimento. Alm disso, no suficiente que um projeto tenha seu VPL positivo, mas tambm que seu desenvolvimento seja timo, isto , que permita o maior retorno econmico possvel.

Os riscos envolvidos na fase de desenvolvimento requerem um gerenciamento e uma reduo das incertezas atravs da otimizao do projeto. Em outras palavras, a obteno de novas informaes pode resultar, posteriormente, em aumento do VPL do projeto. O impacto da avaliao no VPL acumulado do projeto mostrado na Figura 2.7, em que a produo adiada e o VPL aprimorado por causa do novo plano de desenvolvimento - especialmente a capacidade de produo e infra-estrutura, que fornecida com respeito ao potencial do reservatrio.

A metodologia proposta tem como objetivo avaliar a informao e mensurar seu valor com a maior preciso possvel, levando-se em conta o custo computacional e o tempo de anlise, de forma que possa ser aplicada a qualquer campo. Obtido um critrio para o clculo do valor da 36

informao, podem-se tambm priorizar aes na caracterizao de reservatrios, investindo mais recursos onde o valor da informao traz maiores benefcios.

Figura 2.7. Impacto da aquisio de informaes no VPL acumulado do projeto (modificada de Demirmen, 2001).

2.3.1

Anlise de deciso

A anlise de deciso foi desenvolvida para auxiliar gerentes na tomada de importantes decises em negcios que esto sob condies de incerteza. Os trabalhos pioneiros na rea de anlise de deciso, segundo Groebner e Shannon [1993], foram desenvolvidos pelos professores Ronald Howard, Howard Raiffa e Robert Schlaifer, responsveis por desenvolver a teoria de anlise de deciso disponvel hoje.

Newendorp [1975] comenta que os matemticos franceses Fermat e Pascal formularam os conceitos fundamentais usados na anlise de deciso h quase 350 anos (1654). No entanto, a aplicao destes conceitos em negcios, de forma geral, no se tornou clara at os anos 50, e na explorao de petrleo somente na dcada de 70. Alm disso, descreve que, no dias de hoje, a anlise de deciso pode ser resumida atravs de uma srie de etapas: Identificar quais opes ou alternativas esto disponveis; 37

 Identificar os possveis resultados que podero ocorrer para cada uma das decises a serem tomadas; Avaliar lucros e perdas para cada resultado; Determinar ou estimar a probabilidade de ocorrncia de cada possvel resultado; Computar o lucro mdio ponderado, chamado de valor esperado da deciso alternativa, em que fatores de ponderao so as respectivas probabilidades de ocorrncia de cada resultado. Esse lucro mdio ponderado o critrio comparativo usado para aceitar ou rejeitar a alternativa. A avaliao quantitativa dessas probabilidades freqentemente chamada de anlise de risco.

Segundo Groebner e Shannon [1993], a anlise de deciso est baseada em trs reas fundamentais: na estatstica de Bayes, na teoria do jogo e na anlise da preferncia e risco, descritas abaixo.

A base da anlise de deciso foi tomada no sculo XVIII, em um trabalho do matemtico Thomas Bayes, que descreveu como a inferncia estatstica pode ser usada como um processo no entendimento de uma situao no mundo real. Seu trabalho pioneiro foi publicado em 1971.

A segunda contribuio anlise de deciso o conceito da teoria do jogo de John Von Neumann e Oscar Morgenstern. Eles demonstraram que a deciso correta em uma situao depende dos objetivos do tomador de deciso e das aes provveis realizadas por seus competidores.

A terceira rea o trabalho desenvolvido por economistas como Milton Friedman e L. J. Savage. Eles mostraram que a atitude de uma pessoa com relao ao risco depende da circunstncia em que a pessoa se encontra. Alm disso, diferentes tomadores de deciso, quando se deparam frente mesma deciso, podem realizar diferentes escolhas.

No processo de tomada de deciso, deve-se ter um critrio de como escolher a melhor alternativa. Grant [1970] fala da necessidade de um critrio de deciso ou, se possvel, de

38

diversos critrios na tomada de deciso em investimentos, dentre os principais o valor monetrio e a taxa de retorno.

Groebner e Shannon [1993] exemplificam diferentes categorias de critrios de deciso, como, por exemplo, no probabilstico e probabilstico. O critrio no probabilstico usado quando as probabilidades associadas aos possveis perodos de recuperao de um investimento (payoffs) so desconhecidas, ou quando h falta de confiana ou informaes insuficientes para que o tomador de deciso tenha acesso s diversas possibilidades de payoffs. Entretanto, alguns critrios de deciso levam em considerao as probabilidades associadas a cada resultado, chamados critrios probabilsticos (dentre eles, est o critrio do valor esperado, especificado adiante).

Na anlise da deciso, comum tambm a utilizao de uma ferramenta chamada rvore de deciso, que consiste em um diagrama que ilustra a ordem cronolgica de aes e eventos em problemas de anlise de deciso, em que cada ao ou evento representado por uma ramificao na rvore de deciso. Newendorp [1975] afirma que rvores de deciso so quase sempre usadas quando os problemas envolvem decises subseqentes.

O processo de tomada de deciso dependente do estgio do projeto. Para uma fase de explorao em funo do forte cenrio regido por incertezas, o processo de tomada de deciso encontra-se relacionado com a anlise de viabilidade econmica da acumulao. Em caso positivo, o processo decisrio caminha na determinao de maiores informaes, estratgias e investimentos para o desenvolvimento. Numa fase de avaliao, a tomada de deciso faz-se necessria para avaliar a continuidade dos investimentos visando a definir o desenvolvimento da produo. Contudo, o conhecimento do prospecto ainda limitado. Nesse ponto, mais uma tomada de deciso precisa ser feita: optar pelo abandono do horizonte produtor, quando se trata de um horizonte com pouca ou nenhuma atratividade. Uma outra deciso investir na coleta de mais informaes adicionais, devendo levar em considerao os custos de obteno dessas informaes e sua relevncia no contexto. Uma terceira deciso nessa fase seria optar por implantar o plano de desenvolvimento [Costa, 2003].

39

2.3.2

Anlise econmica

O Valor Presente Lquido, VPL, o valor presente lquido necessrio para que, a uma taxa mnima de atratividade do mercado, uma aplicao financeira, em um determinado perodo, tenha a mesma lucratividade que o empreendimento analisado em questo. No caso da anlise de explorao de poos de petrleo, as simulaes fornecem valores futuros de receitas e custos associados. O lucro lquido transportado para o tempo atual com a taxa de atratividade do mercado corresponde ao VPL que seria o valor necessrio para que uma aplicao financeira com esta taxa, durante o mesmo tempo, proporcionasse o mesmo retorno. A frmula utilizada para seu clculo :

VPL =

(1 + r )t

FC

(2.3)

onde: VPL - valor presente lquido; r - taxa de desconto ou taxa de atratividade; FC - fluxo de caixa at o instante t; t - perodo de tempo considerado.

Valores positivos do VPL significam que, ao trmino do perodo considerado, as receitas superaram os custos e os investimentos. Por outro lado, valores negativos indicam que o investimento no oferece retorno no perodo considerado.

Um fluxo de caixa esquemtico mostrado na Figura 2.8 para as fases de investimento do campo, incluindo as fases de explorao, avaliao, desenvolvimento e produo.

40

Figura 2.8. Fluxo de caixa tpico de um projeto exploratrio [Suslick, 2001].

O conceito do valor monetrio esperado (VME) tambm um item de grande importncia para a tomada de deciso sob condies de incerteza e compe um dos critrios mais usados para anlise e seleo de projetos de explorao de petrleo.

Primeiramente, define-se o que valor esperado: a chance de sucesso vezes o valor do sucesso, menos a chance de fracasso vezes o custo do fracasso (Rose, 2001). Quando o valor esperado positivo, h investimento; quando negativo, h risco. Para exemplificar, o autor descreve uma situao em que um dono de cassino possui um determinado nmero de mquinas e mesas de jogos. As vantagens de cada jogo so bem conhecidas, e elas tendem estar levemente a favor do proprietrio. Ele est jogando repetidas vezes o jogo em que o valor esperado para ele positivo. Se o dono do cassino conhece o nmero de mesas, o nmero de jogadores e as regras da casa, ele pode prever com considervel preciso qual ser seu lucro.

Contudo, o valor monetrio esperado de um projeto o somatrio dos valores potenciais de ganhos ou perdas (VPL) dos eventos, multiplicados pelas suas respectivas probabilidades de ocorrncia, como mostra a Equao 2.4, Figura 2.9, Figura 2.10 e Figura 2.11. 41

VME = p j . VPL j
j=1

(2.4)

onde: p j probabilidade de ocorrncia do cenrio j VPL j valor presente lquido do cenrio j N nmero de cenrios possveis j ndice que varia de 1 a N e

p =1
j=1 j

(2.5)

Figura 2.9. rvore de derivao utilizada no clculo do VME.

2.3.3

rvore de deciso

Quando a anlise de deciso aplicada a um problema real, o processo pode tornar-se complexo. O tomador de deciso deve identificar os resultados para cada alternativa de deciso e deve tambm estimar as probabilidades associadas a cada resultado, designar o perodo de recuperao de um investimento (payoff), determinar seus custos e, de certa forma, manter a seqncia de resultados e decises em uma ordem cronolgica. Anlise da rvore de deciso 42

uma tcnica utilizada para orientar o tomador de deciso no processo. A rvore de deciso proporciona um mapa rodovirio do problema, ajudando o tomador de deciso a estruturar logicamente o problema.

1 0.9

Prob. Acumulada
VME VPL [$]

0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0

VPL [$]

Figura 2.10. Distribuio de probabilidade da funo objetivo VPL.

Figura 2.11. Curva de risco para a funo objetivo VPL.

O conceito de rvore de deciso largamente utilizado quando o problema envolve decises subseqentes. As vantagens desta forma de anlise incluem os seguintes pontos: Todas as alternativas possveis de deciso so definidas e analisadas de maneira consistente. A complexa deciso subdividida em uma srie de pequenas partes. Ento as partes so reunidas, parte por parte, para proporcionar uma base racional para uma deciso inicial. Tal anlise fornece uma probabilidade maior para se executar uma ao consistente sobre uma srie de decises. Conceitualmente, pode-se analisar qualquer deciso, seja ela qual for, por este mtodo. Toda a seqncia de aes preparada previamente para a deciso inicial, forando o tomador de decises a pensar adiante. A rvore de deciso pode ser usada para seguir o curso dos eventos. Em qualquer n de deciso, se as condies mudarem, as alternativas restantes podem ser re-analisadas para desenvolver uma nova estratgia para um ponto adiante.

43

A estruturao envolve propriamente uma seqncia de aes e eventos no processo de deciso do problema. A ao a deciso ou alternativa sob o controle do tomador de deciso. O evento o estado da natureza alm do controle do tomador de deciso.

Para construir a rvore de deciso, o tomador de deciso deve analisar as possveis aes e os possveis eventos cronologicamente. A rvore ser formada por uma srie de ramificaes que representam a ordem cronolgica das aes e eventos. A rvore de deciso completada pela adio dos eventos a cada ramificao de uma ao.

Um exemplo dado por Newendorp [1975], em que a rvore de deciso ilustra as alternativas de deciso de perfurar ou no perfurar um poo. Se o poo perfurado, existem ento trs resultados possveis: um poo seco, uma reserva de 57 ou de 142 milhes de m3 de gs, como mostra a Figura 2.12.

No h escala para a rvore de deciso para o comprimento das linhas ou ramificaes. Os ngulos entre as ramificaes tambm no so importantes. As rvores normalmente so lidas da esquerda para a direita e so desenhadas na mesma seqncia em que as decises so tomadas e em que os eventos ocorrem.

Figura 2.12. rvore de deciso.

44

O ponto em que uma ou mais ramificaes se originam chamado de n. O quadrado simboliza o n de deciso ou ao, ou seja, um ponto em que o tomador de deciso escolhe qual ramificao vai ser seguida. J o crculo simboliza o evento, ou seja, um ponto em que a chance de ocorrncia ou a incerteza determinam o resultado. A conveno do uso de crculos e quadrados originou-se em alguns artigos referentes anlise de deciso, e ainda padro.

O prximo passo na construo da rvore de deciso a associao das probabilidades a todas as ramificaes provenientes dos ns relativos aos eventos. Cada caminho atravs da rvore, da esquerda para a direita, representa um nico cenrio. E cada cenrio apresentado pelo ponto terminal, ou seja, o ponto em que no existem mais decises a serem tomadas ou ocorrncias de eventos (tringulo horizontal).

Duas importantes regras devem ser consideradas na rvore de deciso: A soma das probabilidades provenientes do mesmo n deve possuir um somatrio igual a 1,0; No existem probabilidades nas ramificaes originadas do n de deciso. A soluo da rvore de deciso dada calculando-se o valor monetrio esperado (VME), multiplicando-se o valor presente lquido pela probabilidade correspondente. A Tabela 2.1 mostra as probabilidades de ocorrncia e seus respectivos VPL para os trs possveis resultados.

Tabela 2.1. Dados do Exemplo. Resultados Possveis Poo seco 57 milhes m3 de gs 142 milhes m3 de gs Total Probabilidades 0,7 0,2 0,1 1 Perfurar Resultado VME -$50.000 -$35.000 +$100.000 +$20.000 +$250.000 +$25.000 VME = +$10.000 No Perfurar Resultado VME 0 0 0 0 0 0 VME = 0

45

A rvore de deciso na Figura 2.13 interpretada como havendo uma probabilidade de 0,7 de o poo perfurado ser seco, resultando em uma perda de $ 50.000, uma probabilidade de 0,2 de encontrar 57 milhes de m3 de gs, avaliados em $ 100.000, e, por ltimo, uma probabilidade de 0,1 de encontrar 142 milhes de m3 de gs, avaliados em $ 250.000.

Figura 2.13. rvore de deciso parcialmente completa.

A regra de deciso para qualquer n de deciso selecionar a alternativa ou ramificao que possua o maior valor monetrio esperado (VME). Neste caso, seria o n A, ou seja, seria a opo de perfurar o poo. A anlise da rvore de deciso razoavelmente simples, embora as dificuldades normalmente aumentem com decises mais complexas.

2.3.4

Estatstica

A probabilidade condicional pode ser usada no processo de tomada de decises em muitos tipos de situaes em negcios. A regra geral para a determinao da probabilidade condicional dada pela Equao 2.6:
P(B e A 1 ) P(A 1 )P(B / A 1 ) = P(B) P(B)

P(A 1 / B) =

(2.6)

O denominador da Equao 2.6, P(B), que a probabilidade do evento dado que, para ter ocorrido, utiliza-se a Equao 2.7:

46

P(B) = P(B e A 1 ) = P(A i ) P(B / A 1 )

(2.7)

onde Ai um grupo de eventos mutuamente exclusivo. Outra maneira de escrever a Equao 2.6 mostrada a seguir atravs da Equao 2.8, chamada de Regra ou Teorema de Bayes: seja Ai (i = 1, 2, 3 . . . n) um grupo completo de eventos mutuamente exclusivos. Seja B outro evento que precedido por um evento Ai. Ambos P(Ai) e P(B/Ai) devem ser conhecidos. Ento:

P(A 1 / B) =

P(A 1 )P(B / A 1 )

P(A )P(B / A )
i =1 i i

(2.8)

2.3.5

Informao Completa

A informao pode ser considerada completa se, ao ser adquirida, elimina toda a dvida sobre o atributo, ou seja, a incerteza se reduz a zero. Na prtica, esse conceito pode ser usado quando a incerteza reduzida a um nvel que no influencia mais o risco e o valor monetrio esperado do projeto.

Um exemplo hipottico da obteno de uma informao completa mostrado na Figura 2.14. Para efeitos prticos, a funo densidade de probabilidade (fdp) de um determinado parmetro (x) discretizada em 3 nveis: um pessimista (20%), um mais provvel (60%) e outro otimista (20%), como mostra o Item (a). Com a aquisio da informao completa, que eliminar totalmente a incerteza em relao a este atributo, a funo densidade de probabilidade resultante pode ser expressa por trs possibilidades (Itens (b), (c) e (d)). O Item (b) mostra que o atributo (x) corresponde ao valor determinstico x1, com 100% de chance de ocorrncia. O mesmo para os Itens (c) e (d), em que o atributo (x) corresponde aos valores x2 e x3, respectivamente, com 100% de chance de ocorrncia, ou seja, a informao vai determinar qual o valor real, entre os trs esperados.
47

Funo densidade de probabilidade

100

60

20

20

x1

x2

x3

f(x)

f(x)

x1

(a) Funo densidade de probabilidade de um parmetro (x) discretizada em trs nveis sem a obteno da informao (p1 = 20%, p2 = 60% e p3 = 20%).
100

(b) Funo densidade de probabilidade de um parmetro (x) aps a obteno da informao completa (p1 = 100%).

100

f(x)

f(x)

x2

x3

(c) Funo densidade de probabilidade de um parmetro (x) aps a obteno da informao completa (p2 = 100%).

(d) Funo densidade de probabilidade de um parmetro (x) aps a obteno da informao completa (p3 = 100%).

Figura 2.14. Funo densidade de probabilidade (fdp) de um parmetro (x) discretizada em 3 nveis.

A informao vai, ento, transformar o n da rvore, que antes era de derivao (Figura 2.15), simbolizando um evento (crculo), em um n de deciso, simbolizando uma tomada de deciso (quadrado), como mostra a Figura 2.17. importante notar que as probabilidades de 48

ocorrncia dos 3 ramos da Figura 2.17 so as mesmas que as da Figura 2.15, para que o VDI (Valor da Informao) seja corretamente calculado, ou seja, a Figura 2.17 representa a deciso que seria tomada dentre as possveis, caso a informao fosse obtida, determinado-se o VME possvel com a obteno da informao. A Figura 2.16 pode ser simplificada, tornando-se a rvore de deciso da Figura 2.17.

Figura 2.15. rvore de derivao com 3 possibilidades de ocorrncia (3 nveis).

Figura 2.16. rvore de deciso com 3 possibilidades de ocorrncia (3 nveis).

Figura 2.17. rvore de deciso com 3 possibilidades de ocorrncia (simplificada).

49

O clculo do VDI feito atravs das duas rvores: a de derivao e a de deciso. Na Figura 2.15, deve-se escolher a estratgia que maximiza o VME entre os 3 ramos (caso sem informao). Na Figura 2.17, cada ramo tem sua estratgia tima, pois a informao vai ser coletada antes da deciso, resultando em VME maior ou igual ao caso sem a informao. Esse valor nunca menor, pois, no mnimo, o mesmo resultado da anlise sem informao pode ser gerado atravs da mesma estratgia de produo.

2.3.6

Informao Incompleta

A informao incompleta no elimina toda a dvida sobre o atributo, ou seja, a incerteza reduzida, mas no tende a zero.

Um exemplo hipottico da obteno de uma informao incompleta mostrado na Figura 2.18. Na prtica, pode-se discretizar a funo densidade de probabilidade (fdp) do atributo (x) em 3 nveis, como exemplificado na Figura 2.18, Item (a). A obteno da informao incompleta resulta na separao do atributo em, por exemplo, 2 nveis: um com carter otimista e outro com carter pessimista, com as mesmas probabilidades de ocorrncia coerentes com a rvore sem informao (Item (c) similar ao Item (d) e Item (e) similar ao Item (f)), ou seja, a informao separa a curva de incerteza do atributo em mais de uma curva que, somada, ser idntica original (Item (b)).

A informao vai ento transformar o n da rvore, que antes era de derivao (Figura 2.15), em deciso (Figura 2.19). importante notar que as probabilidades de ocorrncia dos ramos finais da rvore so as mesmas, para que o VDI (Valor da Informao) seja corretamente calculado.

Novamente, o clculo do VDI deve ser feito atravs das duas rvores: a de derivao e a de deciso. Na Figura 2.15, deve-se escolher a estratgia que maximiza o VME entre os 3 ramos. Na Figura 2.19, cada ramificao do n de deciso tem sua estratgia otimizada para obter o melhor VME, considerando-se os 2 ramos de deciso. A rvore de deciso da Figura 2.19 pode ser simplificada, tornando-se ento a rvore de deciso da Figura 2.20. 50

Distribuio Normalizada
60

20

20

x1

x2

x3

f(x)

f(x)

(a)

Funo densidade de probabilidade discretizada.

(b) Funo densidade de probabilidade contnua (verde) dividida em dois nveis de probabilidades de ocorrncia (azul e vermelho).

60

40

x1

x2

x3

f(x)

f(x)

(c) Informao incompleta (p1 = 20% e p2 = 30%).

(d) Distribuio normal de ocorrncia para a informao incompleta (nvel 1).

60

40

x1

x2

x3

f(x)

f(x)

(e) Informao incompleta (p2 = 30% e p3 = 20%).

(f) Distribuio normal de ocorrncia para a informao incompleta (nvel 2).

Figura 2.18. Funo densidade de probabilidade discretizada para a informao incompleta. 51

Figura 2.19. rvore de deciso com 2 nveis, cada um com 3 derivaes.

Figura 2.20. rvore de deciso com 2 nveis, cada um com 2 derivaes (simplificado).

interessante observar que o VME desse caso maior ou igual ao caso sem informao e menor que o caso com informao completa. Essa diferena derivada das diferentes estratgias traadas para cada caso. No caso sem informao, existe somente uma estratgia para todas as possibilidades. Para o caso com informao incompleta, existem duas estratgias (uma para cada possibilidade, uma otimista e outra pessimista) e, para o caso com informao completa, so 3 estratgias (uma para cada possibilidade).

52

2.3.7

Informao com poucas variveis

A anlise do valor da informao, no caso em que existem poucas variveis, pode ser feita atravs da comparao das rvores de derivao e deciso, com e sem a obteno da informao. J que o nmero de modelos reduzido, todos podem ter suas estratgias otimizadas.

2.3.8

Informao com muitas variveis

A complexidade do processo de clculo e anlise do valor da informao dada quando o nmero de variveis consideradas no problema aumenta significantemente, de maneira que se torna invivel a otimizao de todas as estratgias referentes a cada ramo da rvore possvel, no somente relacionado ao nmero de simulaes a serem realizadas, como tambm ao tempo despendido no processo.

A utilizao dos modelos geolgicos representativos (MGR) torna possvel a anlise do clculo do valor da informao, reduzindo o tempo e o nmero de simulaes do processo. Os MPG podem ser usados de duas formas: Representando a variabilidade geolgica para que diferentes estratgias de produo sejam otimizadas e testadas com o objetivo de tirar proveito dos cenrios possveis resultantes da informao; Simplificando a rvore de derivao, como nos trabalhos de Costa [2003] e Schiozer et al. [2004].

A princpio, as duas simplificaes citadas acima so independentes, ou seja, podem ser aplicadas separadamente. Neste trabalho, foram feitos testes somente com a primeira simplificao e com as duas simultaneamente, conforme apresentado nos prximos captulos.

53

Captulo 3 Metodologia Proposta

3.1

Metodologia

O desenvolvimento de campos de petrleo feito sob condies de incerteza, no somente relacionadas caracterizao geolgica do reservatrio, como tambm a parmetros econmicos. Dependendo do nvel de conhecimento do campo em estudo, pode-se iniciar o desenvolvimento do mesmo, abandon-lo ou optar por obter novas informaes. A anlise do valor da informao pode ser considerada como um critrio econmico utilizado em processos de tomada de decises que envolvem a quantificao de incertezas e a avaliao econmica de diversos cenrios de desenvolvimento. Tambm pode ser utilizada como critrio de parada na avaliao de projetos em que a obteno de novas informaes torna-se desnecessria ou invivel economicamente, permitindo o incio do desenvolvimento do campo.

Apesar de este conceito estar bem difundido em muitas bibliografias, nenhuma delas explica claramente como se calcula o valor da informao nas fases de avaliao e desenvolvimento em que existem muitos parmetros incertos, tornando-se necessrio o desenvolvimento de uma metodologia que viabilize e calcule o valor da informao, como a mostrada neste trabalho.

A metodologia proposta a seguir refere-se determinao do valor da informao para cenrios genricos, complexos ou no, caracterizados por poucos ou muitos parmetros incertos. 54

Est descrita e subdividida abaixo e demonstrada na Figura 3.1. Parte destes tpicos pertence metodologia de anlise de risco abordada no captulo anterior: Aplicao da metodologia de anlise de risco; Composio da curva de risco do projeto para a estratgia inicial, definio de seus percentis e verificao do risco agregado ao projeto; Composio da rvore de derivao e verificao dos atributos passveis de reduo de incerteza, atravs da obteno da informao; Transformao da rvore de derivao em rvore de deciso; Escolha dos modelos representativos; Otimizao da estratgia de cada modelo representativo; Clculo do VME sem informao e com informao; Escolha do mtodo de clculo dos VME sem e com informao; Clculo do valor da informao. O fluxograma na Figura 3.1 demonstra a metodologia de clculo do valor da informao. Primeiramente, deve-se obter um modelo nomeado de caso base (mais provvel) e aplicar a metodologia de anlise de risco (conseqentemente obter a curva de risco).

Uma anlise do risco do projeto feita atravs da curva de risco. Posteriormente, a rvore de derivao construda, de forma que a suposta obteno da informao transforme a mesma em rvore de deciso, ou seja, o que era uma possibilidade (evento), torna-se uma deciso.

Modelos que possam representar as incertezas geolgicas do reservatrio so escolhidos e otimizados. Aps o processo de otimizao, cada estratgia substituda em cada modelo geolgico representativo. Esta etapa verifica se o modelo base est realmente otimizado (considerando que o modelo base um dos modelos representativos), e se o restante dos modelos tambm esto. Caso a estratgia do caso base no esteja otimizado, o mesmo deve ser reotimizado, se a diferena entre os VPL for significativa. Para o caso em que os outros modelos representativos no estejam otimizados, os mesmos devem ser re-otimizados.

55

Anlise de Risco

Re-otimizao Caso Base

Curva de Risco P10, P50 e P90

rvore de Derivao Informao rvore de Deciso sim Escolha dos MGR Diferena Significativa? no Otimizao das estratgias dos MGR no Substituio de cada estratgia otimizada em cada MGR Base Otimizado? sim no MGR Otimizado? sim

Determinao da estratgia com mximo VME (VME sem Informao)

Determinao dos VPL para as estratgias otimizadas (VME com Informao)

Mtodo 1 rvore Completa

sim

Mtodo mais preciso?

no

Mtodo 2 MGR

VDI = VME Com Informao VME Sem Informao

Figura 3.1. Fluxograma da metodologia proposta para o clculo do valor da informao.

56

Os VME sem e com informao podem ser calculados de vrias formas; nesse trabalho, foram calculados por dois mtodos: o primeiro um mtodo mais preciso (Mtodo da rvore Completa), porm, exige um nmero maior de simulaes; o segundo (Mtodo dos MGR) simplificado mas, menos preciso. O VME para o caso sem informao corresponde ao melhor VME obtido com a estratgia otimizada de um determinado modelo. J o VME com informao equivalente ao VME sem informao mas a estratgia otimizada aplicada aos cenrios possveis provenientes da informao. Dessa forma, o VME sem informao demanda uma estratgia nica para todos os modelos e o VME com informao possibilita que vrias estratgias sejam aplicadas a cada ramo da rvore de derivao, sendo portanto, estratgias mais adequadas aos modelos que esto sendo aplicadas e, com isso, adicionando valor ao VME.

Sero detalhados abaixo somente os passos referentes metodologia do clculo do valor da informao.

3.1.1

Composio da curva de risco do projeto

Aps a aplicao da metodologia de anlise de risco, a curva de risco da funo objetivo desejada (no caso, a funo VPL) gerada para o perodo de produo considerado, como mostra a Figura 3.2. A curva 0 representa uma curva de risco hipottica, a curva 2 representa a curva com o maior valor monetrio esperado (deslocada para a direita do eixo da ordenada) e a curva 1 representa a curva com menor risco, dentre as trs, associado ao projeto em questo. Caso a informao obtida altere as tomadas de decises vinculadas estratgia de produo, reduzindo o risco e as incertezas do projeto, a curva 0 se tornar semelhante s curvas 1 e/ou 2.

57

Figura 3.2. Exemplos de curvas de risco de um projeto (modificada de Demirmen, 2001).

3.1.2

Composio da rvore de derivao

A composio da rvore de derivao deve ser feita a partir da anlise de sensibilidade realizada previamente no processo de anlise de risco, em que o nmero de atributos crticos (z) e seus respectivos nveis de incerteza (y) so determinados. O nmero de ramificaes presentes na rvore de derivao pode ser representado por y z . Por exemplo, se houver quatro atributos com trs nveis de ocorrncia e um com dois nveis de ocorrncia, o nmero total de ramos na rvore de derivao ser: 3 4 . 21 = 162 modelos.

Contudo, dentre todos os atributos crticos, deve-se verificar quais atributos so passveis de reduo de incerteza atravs da obteno da informao. Por exemplo, perfurando-se um poo, realizando-se uma ssmica 3D, testes de presso e de laboratrio ou estudos detalhados, determinando quais variveis incertas que so crticas podem ser alvo da reduo de incertezas obtendo-se tais informaes.

3.1.3

Transformao da rvore de derivao em rvore de deciso

A rvore de derivao se transforma em rvore de deciso (Figura 3.3) quando um ou mais ns de ocorrncia de eventos (crculo) se transformam em ns de deciso (quadrado), ou seja, um ponto em que o tomador de deciso escolhe qual ramificao vai ser seguida. Isto ocorre quando 58

a informao supostamente obtida, determinando ou definindo diferentes estratgias elaboradas para cada caso especfico da ramificao.

rvore de derivao

rvore de deciso

Figura 3.3. Transformao da rvore de derivao em rvore de deciso.

A composio e a transformao da rvore de derivao em rvore de deciso so executadas verificando-se os atributos passveis de reduo de incerteza atravs da obteno da informao. Esta verificao deve ser feita atravs da escolha do tipo de informao que se deseja obter. Aps a definio desta etapa, a rvore de derivao torna-se rvore de deciso, de forma que a obteno da informao determine o rumo das decises a serem tomadas, considerando a informao como completa e incompleta.

Por definio, o termo grupo est sendo usado para designar um ramo derivado da deciso. Na Figura 3.3, por exemplo, a rvore de derivao composta apenas por um grupo e a rvore de deciso composta por trs grupos. Esta definio importante para a quantificao do VDI pois esse depende da escolha da estratgia adequada para cada grupo. Nesta mesma figura, sem a informao, deve-se optar por uma estratgia nica (pois h apenas um grupo); com a informao, pode-se optar para uma estratgia adequada para cada grupo, ou seja, trs.

59

3.1.4

Informao Completa5

A informao completa corresponde informao em que foi obtida a reduo total de sua incerteza. Considerando-se um caso com z atributos crticos incertos com y nveis de incerteza, pode-se gerar y z modelos possveis. Supondo que a informao completa e que vai reduzir a incerteza de x atributos com y nveis cada, a rvore com informao vai ser subdividida em y x ramos, que corresponde ao nmero de grupos presente na rvore. Deve-se ento definir uma estratgia otimizada para cada grupo escolhidos a priori, que inicialmente eliminaro a incerteza de x atributos. A rvore de deciso ter ento G grupos (representando yz yz = y z x = N G modelos. cada ramo), cada um com x = G y

3.1.5

Informao Incompleta6

A informao incompleta corresponde informao em que no foi obtida a reduo total de sua incerteza. Por exemplo, quando um poo perfurado, pode-se reduzir a incerteza com relao permeabilidade do reservatrio, com valores mais otimistas ou mais pessimistas, mas no elimin-la totalmente.

Levando-se em conta outro ponto de vista, principalmente na fase de explorao, alguns autores afirmam que a informao imperfeita (tratada aqui tambm como incompleta) pode ser considerada como a informao obtida atravs de um equipamento ou processo que possui uma determinada probabilidade de erro, ou seja, torna-se relevante a confiabilidade do mesmo.

Neste trabalho, o termo informao completa est sendo usado para referenciar informao completa e

perfeita, ou seja, que tira toda a dvida sobre a incerteza e com total confiabilidade.
6

A informao pode ser incompleta se no for suficiente para reduzir totalmente a incerteza sobre o atributo e

pode ainda ser imperfeita se no houver confiabilidade total no valor medido. Neste trabalho, para simplificar o texto, apenas o termo incompleta est sendo utilizado para representar reduo parcial das incertezas.

60

3.1.6

Escolha dos Modelos Representativos

O item de principal destaque desta metodologia se concentra neste tpico, que corresponde escolha de modelos, dentre todos os modelos numricos simulados possveis que sejam capazes de representar fielmente as variaes geolgicas e tambm as variaes das estratgias de produo. O critrio de escolha destes modelos no semelhante ao das literaturas citadas na reviso bibliogrfica, embora siga a mesma linha de raciocnio.

O clculo do valor da informao vai depender de quanto se pode tirar proveito da informao para a seleo de sua estratgia. Para um caso com muitas variveis, quase impossvel compor a rvore toda, devido sua dimenso. Dessa forma, os modelos representativos devem ser utilizados para viabilizar o processo de clculo.

O critrio de escolha dos modelos representativos depende: (1) do nmero de variveis passveis de reduo de incerteza, juntamente com seus respectivos nveis, isto , quanto maior o nmero de parmetros que tero suas incertezas eliminadas ou reduzidas atravs da obteno de novas informaes, maior o nmero de modelos representativos; (2) da disposio da nuvem de pontos no grfico VPL versus FR, estando dispersos ou concentrados, o que significa uma diferena grande ou no entre os valores de VPL e FR e, conseqentemente, diferena nas possveis estratgias de produo; (3) de quo concentradas esto as probabilidades de ocorrncia de cada modelo, ou seja, altas probabilidades de ocorrncia concentradas em determinados modelos devem ser diludas em um nmero maior de modelos; (4) da necessidade e importncia que o projeto representa para a empresa, ou seja, do nvel de confiana que se deseja obter no processo, porque, quanto maior o nmero de modelos representativos, maior a preciso e confiabilidade no clculo; e (5) do tempo disponvel para a realizao do clculo e anlise do valor da informao.

61

3.1.7

Otimizao dos Modelos Representativos

A otimizao dos modelos representativos muito importante no processo de clculo do valor da informao, pois a variao dos VPL entre o modelo no otimizado e o modelo otimizado, ponderado atravs das probabilidades de ocorrncia de cada modelo representativo, fornecer o valor da informao, considerando o clculo dos VME atravs dos MGR. Os VME com e sem informao tambm podem ser obtidos atravs das estratgias otimizadas e da rvore de deciso completa. Portanto, para ambos os mtodos, quanto melhor ou mais eficiente a otimizao da estratgia de cada modelo, maior a preciso e confiabilidade no clculo do valor da informao.

Entretanto, o processo de otimizao de cada modelo leva tempo, devido ao nmero de parmetros a serem alterados e ao elevado nmero de simulaes que devem ser realizadas por tentativa e erro para maximizar uma ou mais funes objetivo. Considerando que o processo de otimizao de um modelo exige, no mnimo, aproximadamente de 30 a 40 simulaes, ao final do processo, dependendo do nmero de modelos representativos, sero mais de 210 simulaes (considerando-se 6 modelos representativos e, em mdia, 35 simulaes).

3.1.8

Clculo dos VME sem e com informao

3.1.8.1 Mtodo 1 Mtodo da rvore Completa7

VME sem informao

Aps a otimizao das estratgias dos n MGR modelos representativos, todos os modelos da rvore devem ser simulados com cada uma das n EST estratgias otimizadas, de forma que

Neste mtodo o n de modelos representativos ( n MGR ) idntico ao n de estratgias otimizadas ( n EST ).

62

uma estratgia com o maior VME deve ser selecionada para representar o caso estudado sem a obteno da informao.

A Equao 3.1 mostra o clculo do VME sem informao atravs da rvore completa:
n EST N VME SI = mx VPL estratgia ( w ), mod elo j . Pmod elo j w =1 j=1

[(

(3.1)

onde: n EST nmero de estratgias otimizadas w ndice que varia de 1 a n EST N nmero total de modelos ou cenrios possveis j ndice que varia de 1 a N

importante observar que o uso da Equao 3.1 pode resultar em um nmero de simulaes grande, isto , o nmero de estratgias (uma para cada modelo representativo) vezes o nmero total de cenrios (ramos da rvore).

VME com informao

Considerando o clculo do VME com informao atravs da rvore completa, o valor do VME com a informao generalizado para w estratgias:

VME CI

n EST N G = mx VPL estratgia ( w ), mod elo . P w =1 k =1 =1 ( k )

G

(3.2)

onde: n EST e w foram definidos aps a Equao 3.1 NG nmero de modelos ou cenrios por grupo
l varia de 1 a NG

G nmero de grupos da rvore k varia de 1 a G

63

 importante observar que o acrscimo do VME vem da comparao das Equaes 3.1 e 3.7. Na Equao 3.1, s uma estratgia deve ser escolhida, aquela que maximiza o VME de toda a rvore. Na Equao 3.7, cada grupo ter uma estratgia adequada para os modelos do grupo, ou seja, a que maximiza o VME do grupo.

A generalizao da expresso do VME com e sem informao dada por:

G n EST NG VME = mx VPL estratgia ( w ), mod elo . P w =1 k =1 =1 (k)

(3.3)

Para G = 1 e NG = N a equao torna-se o VMESI. Para G > 1 a equao torna-se o VMECI.

3.1.8.2 Mtodo 2 Mtodo dos MGR8

VME sem informao

Na impossibilidade de simular todos os modelos para todas as estratgias, pode-se simplificar ainda mais o processo pelo clculo do VME sem informao atravs dos MGR, o valor monetrio esperado (VME) para uma determinada estratgia fixa 1 possvel para todos os modelos da rvore representados pelos MGR dada por:
VPL estratgia (1), MGR1 . P(MGR 1 ) + VPL estratgia (1), MGR 2 . P(MGR 2 ) + VME estratgia (1) = VPL estratgia (1), MGR 3 . P(MGR 3 ) + . . . + VPL estratgia (1), MGR n MGR . P MGR n MGR

( (

) )

) (

(3.4)

A Equao acima mostra o somatrio de cada VPL obtido com uma determinada estratgia fixa empregada em cada modelo representativo pr-determinado, multiplicado pela sua respectiva probabilidade de ocorrncia, podendo ser representado por:
8

Neste mtodo o n de modelos representativos ( n MGR ) pode ser maior do que o n de estratgias otimizadas

( n EST ) para aumentar a preciso do mtodo.

64

VME estratgia (1) =

n MGR i =1

[(VPL

estratgia (1), MGR i

) . P(MGR )]
i

(3.5)

. . .

VME estratgia ( n EST ) =

n MGR i =1

[(VPL

estratgia ( n EST ), MGR i

) . P(MGR )]
i

(3.6)

Generalizando para w estratgias otimizadas e i modelos representativos:

VME estratgia ( w ) =

n MGR i =1

[(VPL

estratgia ( w ), MGR i

) . P(MGR )]
i

(3.7)

onde: n MGR e w foram definidos aps a Equao 3.1 i ndice que varia de 1 a n MGR

O valor monetrio esperado sem a obteno da informao dado pelo mximo VME obtido para uma determinada estratgia fixa:

n EST n MGR VME SI = max VPL estratgia ( w ), MGR i . P(MGR i ) w =1 i =1

[(

(3.8)

importante observar que o clculo mais preciso feito pela Equao 3.1. A simplificao atravs dos representativos pode ser usada em casos em que o esforo computacional for considerado muito grande. O uso das 2 opes est sendo mostrado neste trabalho. Solues intermedirias podem ser usadas tais como: o uso de apenas algumas estratgias otimizadas para os representativos, descartando estratgias parecidas; o uso de um nmero de modelos maior que o nmero de representativos e o uso do nmero total para clculo do VME.

65

VME com informao

A mesma simplificao pode ser feita no VME com informao, ou seja, considerando o clculo do VME sem informao atravs dos MGR, o valor do VME com a informao calculado atravs do somatrio dos mximos VPL, multiplicados por suas respectivas probabilidades de ocorrncia, de cada estratgia correspondente a cada MGR:
G n EST VPL estratgia ( w ), MGR 1 . P(MGR1 ) + VPLestratgia ( w ), MGR 2 . P(MGR 2 ) + VMECI = mx w =1 VPLestratgia ( w ), MGR3 . P(MGR 3 ) + . . . + VPLestratgia ( w ), MGR n . P MGR n MGR k =1 MGR

( (

) )

) (

(3.9) ( k )

G n EST NG VME CI = max VPL estratgia ( w ), MGR i . P(MGR i ) w =1 k =1 i =1 ( k )

(3.10)

A generalizao da expresso do VME com e sem informao dada por:

G n EST NG VME = max VPL estratgia ( w ), MGR i . P(MGR i ) w =1 k =1 i =1 (k )

(3.11)

Para G = 1 e NG = n MGR a equao torna-se o VMESI. Para G > 1 a equao torna-se o VMECI. A Equao 3.11 idntica 3.3, houve apenas a simplificao da rvore. A preciso requerida e o esforo computacional permitido tambm devem limitar as escolhas do tipo de clculo. O importante usar o mesmo procedimento para o clculo do VME com e sem informao, ou seja, a padronizao do processo.

3.1.9

Determinao das probabilidades de ocorrncia dos MGR

Assim como o nmero de representativos ainda alvo de investigao, pois quanto maior o nmero de representativos melhor a preciso do clculo do VDI, a atribuio da probabilidade

66

de cada modelo tambm deve ser feita com cuidado, pois pode influenciar a resposta de maneira significativa. Essas probabilidades so importantes para o caso de utilizao do processo simplificado dos Itens 3.1.8.2 e 3.1.9.2. Neste trabalho, so apresentados trs mtodos de clculo das probabilidades de ocorrncia dos modelos geolgicos representativos: o mtodo das nuvens, o mtodo dos ramos e o mtodo das distncias. Esses mtodos so discutidos aps a apresentao dos resultados.

3.1.9.1 Mtodo das Nuvens

O mtodo das nuvens sugere que a probabilidade de ocorrncia de cada modelo representativo seja o somatrio das probabilidades dos modelos que esto presentes no interior de cada crculo, representado por um determinado modelo representativo no grfico do Valor Presente Lquido (VPL) versus Fator de Recuperao (FR). Este mtodo caracterizado por ser um pouco subjetivo, j que a colocao e a distribuio de cada crculo no grfico VPL versus FR podem variar, influenciando o resultado do clculo do VDI. A Figura 3.4 mostra que a probabilidade do MGR 1 (caso base) o somatrio das probabilidades dos modelos indicados pelas setas, considerando o clculo do valor da informao com 6 modelos representativos. O clculo mostrado abaixo:

PMGR1 = PCrculo i = 0,1728 + 0,0192 + 0,0576 + 0,0192 + 0,0064 + 0,0192 + 0,0064 + 0,0432 + 0,0048 + 0,0144 + 0,0048 + 0,0016 + 0,0144 PMGR1 = PCrculo i = 0,3840

67

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

base

VPL P10

PMGR1

VPL P50 VPL P90 FR P10 FR P50 FR P90

40

30

MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 3.4. Clculo da probabilidade de ocorrncia dos MGR pelo mtodo das nuvens.

3.1.9.2 Mtodo dos Ramos

As probabilidades correspondentes aos MGR calculados a partir do mtodo dos ramos correspondem multiplicao das probabilidades presentes nos ramos dos atributos passveis de reduo de incerteza do determinado MGR. Caso haja mais de um modelo por grupo de ramificaes (no exemplo apresentado, so 6 grupos), as probabilidades dos mesmos devem ser ponderadas e distribudas atravs da multiplicao das probabilidades dos ramos subseqentes, ou seja, atravs da multiplicao das probabilidades dos atributos definidos como no passveis de reduo de incerteza obtendo-se a informao. A Figura 3.5 e a Tabela 3.1 mostram o clculo dos MGR de 1 a 7, considerando-se que o clculo do valor da informao foi realizado com 7 modelos representativos.

68

Figura 3.5. Exemplo de clculo das probabilidades dos MGR 1 e 7 pelo mtodo dos ramos (a figura representa parte da rvore na vertical e o grupo 1 representado por 2 MGR).

Tabela 3.1. Exemplo de clculo das probabilidades dos MGR 1 a 7 pelo mtodo dos ramos. Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6 Grupo 7 MGR 1 = 0,8 . 0,6 . (0,6 + 0,2) = 0,384 MGR 2 = 0,8 . 0,2 = 0,160 MGR 3 = 0,8 . 0,2 = 0,160 MGR 4 = 0,2 . 0,6 = 0,120 MGR 5 = 0,2 . 0,2 = 0,040 MGR 6 = 0,8 . 0,2 = 0,040 MGR 7 = 0,8 . 0,6 . (0,2) = 0,096

3.1.9.3 Mtodo das Distncias

O mtodo das distncias pondera a representatividade de cada modelo representativo, de acordo com a proximidade do mesmo em relao aos demais modelos, ou seja, a probabilidade de cada MGR ser proporcional ao inverso do quadrado das distncias normalizadas em relao a todos os outros modelos no grfico do VPL versus FR. A probabilidade de ocorrncia de um dado modelo representativo (MGR variando de 1 a n MGR ), considerando N modelos ou cenrios possveis, :

69

P(MGR i ) = Pmod elo escolhido j

Pj F N d2 j + n MGR j=1 1 d2 i =1 j j i

(3.12)

onde: Pmod elo escolhido j probabilidade do modelo j escolhido como um MGR N nmero total de modelos j ndice que varia de 1 a N n MGR nmero de modelos geolgicos representativos i ndice que varia de 1 a n MGR F fator multiplicador (F = 0 quando j um modelo geolgico representativo e F = 1 quando j no um modelo geolgico representativo), e:

n MGR i =1

P(MGR ) = 1
i

(3.13)

Um exemplo do clculo das probabilidades dos MGR est demonstrado na Tabela 3.2, considerando que o clculo do valor da informao foi realizado com 6 modelos geolgicos representativos. Este mtodo pondera as probabilidades de ocorrncia de todos os modelos em relao aos modelos representativos. Quanto maior o nmero de representativos, menor a influncia de cada modelo em cada modelo representativo, ou seja, a representatividade de cada modelo subdividida entre todos os modelos representativos. O fator F utilizado para anular o clculo do peso do prprio MGR em que a distncia do modelo com relao a ele mesmo nula, tornando seu peso infinitamente maior. Por isso, a probabilidade do prprio modelo somada separadamente na Equao 3.12.

70

Tabela 3.2. Exemplo de clculo das probabilidades dos MGR 1 a 6 pelo mtodo das distncias.
Pj F 2 54 dj = 0,1728 + 0,1905 = 0,3633 + 6 j=1 1 2 i =1 d j j 1 Pj F 2 54 dj = 0,0192 + 0,1581 = 0,1773 + 6 j=1 1 2 i =1 d j j 2 Pj F 2 54 dj = 0,0192 + 0,0963 = 0,1155 + 6 j=1 1 i =1 d2 j j 3 Pj F 2 54 dj = 0,0144 + 0,1703 = 0,1847 + 6 j=1 1 2 i =1 d j j 4 Pj F 2 54 dj = 0,0048 + 0,0692 = 0,0740 + 6 j=1 1 2 i =1 d j j 5 Pj F 2 54 dj = 0,0048 + 0,0804 = 0,0852 + 6 j=1 1 i =1 d2 j j 6

P(MGR 1 ) = Pmod elo escolhido j

P(MGR 2 ) = Pmod elo escolhido j

P(MGR 3 ) = Pmod elo escolhido j

P(MGR 4 ) = Pmod elo escolhido j

P(MGR 5 ) = Pmod elo escolhido j

P(MGR 6 ) = Pmod elo escolhido j

71

3.1.10 Clculo do valor da informao

O valor da informao dado pela diferena dos VME com e sem informao: VOI = VME CI VME SI

(3.14)

A frmula geral de clculo dos VME vlida para ambos os mtodos propostos (mtodo da rvore completa e mtodo dos MGR) representado pela Equao 3.3 reescrita abaixo:

G n EST NG VME = mx VPL estratgia ( w ), mod elo . P w =1 k =1 =1 (k)

(3.15)

Considerando o mtodo da rvore completa para G = 1 e NG = N a Equao 3.15 torna-se o VMESI. Para G > 1 a equao torna-se o VMECI. Considerando o mtodo em que a rvore representada de forma simplificada pelos MGR para G = 1 e NG = n MGR a equao torna-se o VMESI. Para G > 1 a equao torna-se o VMECI.

72

Captulo 4 Aplicaes e Resultados

Neste captulo, so apresentados a aplicao da metodologia proposta e seus respectivos resultados, obtidos em trs exemplos estudados. Cada exemplo segue passo a passo a metodologia proposta, com exceo dos dois primeiros exemplos, em que no h necessidade da obteno dos modelos geolgicos representativos por causa da simplicidade da rvore de deciso, caracterizada por possuir poucas ramificaes, ou seja, poucos cenrios possveis. Nesses exemplos simples, na verdade pela simplicidade do caso, os modelos representativos so resultado de todas as combinaes dos atributos incertos.

4.1

Exemplos I e II

Este item contm a exemplificao da metodologia de clculo do valor da informao atravs de dois exemplos tericos assumindo algumas hipteses para simplificar o processo de clculo , elaborados com o intuito de explicitar e comparar didaticamente os conceitos de valor da informao e de flexibilizao.

Para facilitar o entendimento dos conceitos de Valor de Informao (VDI) e de Valor de Flexibilizao (VDF), so apresentados dois modelos de reservatrio simplificados, denominados de Exemplo I (Figura 4.1) e Exemplo II (Figura 4.2). Ambos os exemplos correspondem a reservatrios retangulares (dimenso em metros de cada bloco nas direes x, y e z: 70 x 70 x 30) 73

e homogneos em suas propriedades de rocha (porosidade e permeabilidade), apresentando um nico atributo incerto: a rea e, conseqentemente, o volume de leo originalmente in situ (VOOIS). Desse modo, a incerteza relacionada a este parmetro pode ser reduzida ou eliminada atravs da obteno de novas informaes, por exemplo, perfurando-se um poo (custo de perfurao de um poo: 12 milhes de dlares).

Figura 4.1. Modelo de reservatrio com incerteza Exemplo I.

74

Figura 4.2. Modelo de reservatrio com incerteza Exemplo II.

Os parmetros operao e monitorao de produo e injeo dos poos produtores e injetores verticais so: Mnima presso de operao no fundo do poo: 60 kgf/cm2; Mxima produo de gua de 90% da vazo total; Completao nas trs camadas superiores, com canhoneio efetivo de 30% da espessura da camada; Mxima vazo de injeo de gua: 2000 m3/dia. Os dados econmicos necessrios para o clculo de VDI e VDF esto indicados na Tabela 4.1. O custo do sistema produtivo foi considerado como uma funo linear do nmero de poos perfurados, conforme ilustrado na Figura 4.3.

75

Tabela 4.1. Dados econmicos necessrios para o clculo de VDI e VDF. Taxa de injeo de gua por injetor [m3/dia] Taxa de juros [%] Taxas Governamentais [%] Investimento inicial [milhes US$] Custo por poo vertical [milhes US$] Preo do leo [US$/m3] Preo do gs [US$/103 m3] Custo de produo do leo [US$/m3] Custo de produo da gua [US$/m3] Custo de injeo de gua [US$/m3] 2000 15 45 50 12 113 113 37,70 12,60 1,94

Custo do Sistema de Produo em funo do nmero de poos [US$]

450 400 Custo da Plataforma [milhes US$] 350 300 250 200 150 100 50 0 0 20 40 Nmero de Poos 60 80 y = 6.2326x + 42.338

Figura 4.3. Custo do sistema de produo em funo do nmero de poos (modificado de: Revista Brasil Energia).

4.1.1

Exemplo I

A Figura 4.1 ilustra o modelo do Exemplo I, em que uma barreira de permeabilidade divide o reservatrio em duas reas distintas: uma representando um modelo otimista, com 31x53x6 blocos, e a outra representando o modelo pessimista, com 31x31x6 blocos. A probabilidade de ocorrncia de cada um destes modelos foi admitida inicialmente como sendo de 50%. 76

Uma anlise foi realizada para constatar se a informao a ser obtida para eliminar a dvida quanto rea do reservatrio seria justificvel financeiramente. Para tanto, o problema recebeu trs enfoques distintos: (1) obteno da informao, independente do fato de a mesma ser positiva ou negativa, reduzindo a incerteza da varivel rea; (2) flexibilizar a estratgia e o sistema produtivo do projeto (tipo e tamanho de plataforma, nmero de poos produtores e injetores, capacidade de produo de leo e gua e capacidade de injeo de gua) para um caso em que o volume de leo in situ seja grande (otimista) ou pequeno (pessimista); e (3) no obter informao e no flexibilizar o sistema, definindo uma estratgia fixa de produo para os casos otimista e pessimista.

O processo de determinao do VDI e do VDF depende de como as informaes e flexibilizaes so utilizadas para melhorar o desempenho do reservatrio. No caso deste exemplo, isto foi feito atravs do processo de otimizao da estratgia de produo, que foi admitida como sendo do tipo five spot invertido9. Para o modelo pessimista, a otimizao da estratgia levou a um nmero de poos igual a 13, enquanto que, para o modelo otimista, foi encontrado um nmero timo de 21 poos. A otimizao da estratgia de produo sem informao e sem flexibilizao foi um pouco mais complexa, sendo necessrio encontrar a estratgia que maximizava o valor monetrio esperado (VME). Para o caso em estudo, o nmero timo de poos deveria estar compreendido entre 13 e 21, como, por exemplo, uma estratgia intermediria com 16 poos. A Tabela 4.2 mostra as caractersticas da estratgia de produo para os modelos de reservatrio otimista e pessimista. A rvore de derivao para o Exemplo I, Figura 4.4, ilustra as opes de obteno ou no de informao e de flexibilizao. De acordo com a nomenclatura adotada, VMECI e VMECF representam o valor monetrio esperado com informao e com flexibilizao, respectivamente. O valor monetrio esperado sem informao denotado por VMESI. Nota-se que as ramificaes com informao e flexibilizao so idnticas e, conseqentemente, possuem os mesmos valores de VME, pelo fato de a informao obtida ser considerada perfeita e completa, retirando toda a dvida a respeito da rea incerta, e a flexibilizao ser total, ou seja, possibilitando qualquer estratgia de produo.

Configurao com um poo produtor e quatro poos injetores.

77

Tabela 4.2. Caractersticas dos modelos otimista e pessimista do Exemplo I. Modelo Otimista Estratgia Otimizada com 21 Poos 31 x 53 x 6 246 6 15 173 Modelo Pessimista Estratgia Otimizada com 13 Poos 31 x 31 x 6 144 4 9 123

Dimenses do modelo [blocos] VOOIS [milhes m3] N Produtores N Injetores de gua Custo do sistema produtivo10 [milhes US$]

Figura 4.4. rvore de deciso para o Exemplo I.

10

Conforme Figura 4.3.

78

4.1.1.1 Clculo do VMESI

O VMESI corresponde ao mximo VME obtido para o reservatrio com uma determinada estratgia fixa. A variao de estratgia deve ser feita desde a estratgia do caso pessimista otimizado (13 poos) at a estratgia do caso otimista otimizado (21 poos). O fato de no se obter a informao e nem flexibilizar o sistema resulta numa estratgia nica, independente do tamanho do reservatrio. VME SI = US$ 432,95 milhes

(4.1)

4.1.1.2 Clculo do VMECI

O VMECI corresponde aos VPL calculados nos casos otimista e pessimista, multiplicados pelas respectivas probabilidades de ocorrncia: VME CI = VPL otimista . p + VPL pessimista . (1 p ) VME CI = 589,43 . 0,5 + 303,72 . 0,5 = US$ 446,58 milhes

(4.2)

4.1.1.3 Clculo do VDI

O valor da informao obtido a partir da subtrao do VMECI e do VMESI:

VDI = 446,58 432,95 = US$ 13,63 milhes

(4.3)

4.1.1.4 Clculo do VDF

O valor da flexibilizao foi obtido da mesma maneira que o valor da informao:

79

VDF = 446,58 432,95 = US$ 13,63 milhes

(4.4)

importante observar que no houve diferena entre os valores VDI e VDF, pois as probabilidades de ocorrncia dos atributos so iguais, e a informao eliminou qualquer tipo de dvida com relao incerteza da rea, ou seja, a informao foi completa.

Avaliando-se o valor da informao e da flexibilizao, uma comparao entre os custos de cada opo pode ser feita. A determinao dos custos de forma detalhada pode ser uma tarefa complexa. Neste trabalho, que tem como objetivo mostrar os conceitos de VDI e VDF, o custo considerado foi apenas o de um poo adicional. Neste exemplo, em que os valores da informao e da flexibilizao so iguais, deve-se escolher a opo de menor custo. Como exemplo, se o custo da informao (CDI) fosse contabilizado somente pelo valor do poo adicional (US$ 12 milhes), e se no houvesse possibilidade de optar pela flexibilizao total, pois h uma grande diferena entre nmero de poos das opes timas, a opo de adquirir a informao deveria ser escolhida.

A Figura 4.5 mostra uma comparao entre o valor da informao (VDI) e o custo da informao (CDI), em funo da probabilidade de ocorrncia da rea incerta. Pode-se observar que, para as probabilidades menores que 44% e maiores que 80%, o valor da informao menor ou igual ao seu custo, resultando na opo de rejeio da informao. Para valores que estejam neste intervalo, a obteno da informao seria a melhor opo, especialmente para valores prximos de 60%, em que a informao alcana seu valor mximo. Deve-se observar que para 100% de chance de ocorrncia da rea incerta, o valor da informao nulo porque h a certeza de que a rea existe, de maneira que a obteno da informao no traria benefcios definio da estratgia de produo. O mesmo vale para o caso em que a probabilidade de ocorrncia zero, ou seja, no h chance de que a rea exista, ento o VDI nulo tambm.

80

Valor da Informao (VDI) & Custo da Informao (CDI) x Probabilidade de ocorrncia da rea incerta
18 VDI & CDI [milhes US$] 16 14 12 10 8 6 4 2 0% 20% 40% 60% 80% 100% Probabilidade de ocorrncia da rea incerta [%] VDI CDI

Figura 4.5. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) em funo da probabilidade de ocorrncia da rea incerta.

4.1.2

Exemplo II

O Exemplo II, Figura 4.2, semelhante ao Exemplo I, entretanto com mais uma rea incerta. Portanto, a distribuio de probabilidade de ocorrncia da rea incerta foi discretizada em quatro nveis: um otimista (25%), um mdio (25%), outro mdio idntico (25%) e outro pessimista (25%). A estratgia de produo do modelo que possui a maior rea (caso otimista), correspondente rea conhecida mais duas reas descobertas pela perfurao de dois poos, foi otimizada com 29 poos possuindo o maior CAPEX. A estratgia correspondente ao caso mdio, em que somente uma rea adicional supostamente existe, foi otimizado com 21 poos. O reservatrio com a rea conhecida (caso pessimista) possui uma estratgia de produo otimizada com 13 poos com o menor CAPEX. importante observar que, em todos os modelos, os poos produtores e injetores foram dispostos com configurao do tipo five spot invertido.

Este exemplo tambm explicita a incerteza de um atributo: no caso, a rea. Pode-se, novamente, dividir o problema em trs opes: (1) escolha da obteno das informaes (dois poos perfurados), independente do fato de as mesmas serem positivas ou negativas, reduzindo a 81

incerteza da varivel rea; (2) flexibilizar a estratgia e o sistema produtivo do projeto (tipo de plataforma, nmero de poos produtores e injetores, capacidade de produo de leo e gua e capacidade de injeo de gua) para um caso em que o volume de leo in situ seja otimista, mdio ou pessimista; e (3) a opo sem informao, ou seja, no obter a informao e no flexibilizar o sistema, definindo uma estratgia fixa de produo para os casos otimista, mdio e pessimista. A Tabela 4.3 mostra as caractersticas da estratgia de produo para cada um dos possveis modelos do Exemplo II. A Figura 4.6, a Figura 4.7 e a Figura 4.8 mostram a rvore de deciso para o Exemplo II.

Tabela 4.3. Caractersticas dos modelos otimista, mdio e pessimista do Exemplo II. Modelo Pessimista Modelo Provvel Modelo Otimista Estratgia Otimizada Estratgia Otimizada Estratgia Otimizada com 13 Poos com 21 Poos com 29 Poos Dimenses do modelo (blocos) VOOIS [milhes m3] N Produtores N Injetores de gua Custo do sistema produtivo11 [milhes US$] 31 x 31 x 6 144 4 9 123 31 x 53 x 6 246 6 15 173 31 x 75 x 6 349 8 21 223

Figura 4.6. Ramificao da rvore de deciso para o exemplo II Com flexibilizao.

11

Conforme Figura 4.3.

82

Figura 4.7. Ramificao da rvore de deciso para o Exemplo II Com informao.

Figura 4.8. Ramificao da rvore de deciso para o Exemplo II Sem informao.

83

4.1.2.1 Clculo do VMESI

Conforme indicado no Exemplo I, o VMESI obtido no caso sem informao corresponde ao mximo VME obtido para o reservatrio com uma determinada estratgia fixa, a qual deve estar compreendida entre a estratgia de produo do modelo pessimista otimizado (13 poos), o modelo mdio otimizado (21 poos) e o modelo otimista otimizado (29 poos). VME SI = US$ 544,97 milhes

(4.5)

4.1.2.2 Clculo do VMECI

VME CI = VPL otimista . p + VPL pessimista . (1 p ) + 2 . VPL Mdio . p . (1 p ) VME CI = 874,98 . 0,25 + 303,72 . 0,25 + 2 . 589,43 .0,25 = US$ 589,39 milhes

(4.6)

4.1.2.3 Clculo do VDI

VDI = 589,39 544,97 = US$ 44,42 milhes

(4.7)

4.1.2.4 Clculo do VDF

VDF = 589,39 544,97 = US$ 44,42 milhes

(4.8)

A Figura 4.9 e a Figura 4.10 mostram uma comparao entre o valor da informao (VDI) e o custo da informao (CDI) em funo da probabilidade de ocorrncia das reas incertas, considerando que as mesmas possuem probabilidades iguais. Pode-se observar que, no caso da obteno de duas informaes (Figura 4.9) para probabilidades menores que 24% e maiores que 80%, o VDI menor ou igual ao seu custo, resultando na opo de rejeio da informao. Para valores compreendidos neste intervalo, a obteno da informao seria a melhor opo, 84

especialmente para valores prximos de 40% e 60%, nos quais a informao alcana os maiores valores. J para o caso da obteno de uma informao apenas (Figura 4.10), o intervalo em que o CDI inferior ao VDI significativamente menor, se comparado ao intervalo da Figura 4.9.

A Figura 4.11 e a Figura 4.12 mostram a variao do valor da informao em funo da variao da probabilidade de ocorrncia de uma das reas incertas, considerando o valor da probabilidade de ocorrncia da outra rea incerta constante e igual a 30%. Observa-se que o valor da informao muito sensvel s probabilidades de ocorrncia de cada rea incerta, como mostra a Figura 4.11. Observa-se tambm que a obteno da primeira informao, Figura 4.12, ou seja, a opo de perfurar o primeiro poo para a constatao da presena de leo, mostrou-se, na maioria dos casos, menor que o seu custo de obteno. Este fato pode ser justificado pela concentrao das maiores probabilidades de ocorrncia nos casos intermedirios que so semelhantes, e em que a variao do volume do modelo pessimista em relao ao otimista mostrou-se superior, mais que o dobro, de maneira que a incerteza em relao rea no seja suficientemente diminuda ou eliminada com a obteno de somente uma informao neste caso. Isto no significa que se deva generalizar que a obteno da primeira informao no vale a pena.

Valor da Informao & Custo da Informao x Probabilidades iguais de ocorrncia da rea incerta
50 VDI & CDI [milhes US$] 45 40 35 30 25 20 15 10 5 0% 20% 40% 60% 80% 100% Probabilidade de ocorrncia da rea incerta [%] VDI 2 CDI 2

Figura 4.9. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para probabilidades iguais de ocorrncia das reas incertas P1 e P2, considerando duas informaes obtidas. 85

Valor da Informao & Custo da Informao x Probabilidades iguais de ocorrncia da rea incerta
20 VDI & CDI [milhes US$] 18 16 14 12 10 8 6 4 2 0% 20% 40% 60% 80% 100% Probabilidade de ocorrncia da rea incerta [%] VDI 1 CDI 1

Figura 4.10. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para probabilidades iguais de ocorrncia das reas incertas P1 e P2, considerando somente uma informao obtida.

Valor da Informao & Custo da Informao x P1 Fixo e P2 Varivel

50 VDI & CDI [milhes US$] 45 40 35 30 25 20 15 10 5 0% 20% 40% 60% 80% 100% Probabilidade de ocorrncia da rea incerta [%] VDI 2 CDI 2

Figura 4.11. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para diferentes probabilidades de ocorrncia das reas incertas, considerando duas informaes obtidas.

86

Valor da Informao & Custo da Informao x P1 Fixo e P2 Varivel

20 VDI & CDI [milhes US$] 18 16 14 12 10 8 6 4 2 0% 20% 40% 60% 80% 100% Probabilidade de ocorrncia da rea incerta [%] VDI 1 CDI 1

Figura 4.12. Comparao entre o valor da informao (VDI) e o custo da informao (CDI) para diferentes probabilidades de ocorrncia das reas incertas, considerando somente uma informao obtida.

4.2

Exemplo III

O caso que ser mostrado a seguir corresponde a um modelo modificado, tendo como base um reservatrio martimo (campo de Namorado modificado) localizado na Bacia de Campos, Brasil, situado em lmina de gua mdia de 170 m. O campo est em fase de avaliao e desenvolvimento, em que somente um poo exploratrio foi perfurado (neste caso, com a presena de leo), havendo ainda muitas incertezas a seu respeito, ou seja, uma quantidade de informaes razovel em relao ao reservatrio desconhecida.

Para o modelo numrico, foi adotada uma malha de 51x28x6, resultando num total de 8.568 blocos, em que cerca de 60% deles so ativos, conforme o modelo. Cada bloco tem as dimenses areais de 150 x 150 m, com espessuras variveis. A Figura 4.13 apresenta uma vista tridimensional do reservatrio.

87

Figura 4.13. Mapa de topo [m] da malha de simulao.

Os parmetros operao e monitorao da produo dos poos produtores verticais so: Mxima vazo de produo de lquido: 1500 m3/dia; Mnima presso de operao no fundo do poo: 100 kgf/cm2; Mnima vazo de leo: 50 m3/dia; Mxima razo gs-leo de produo de 200 m3/m3, com conseqente recompletao abaixo da camada com maior produo de gs; Mxima produo de gua de 80% da vazo total, com conseqente recompletao acima da camada com maior produo de gua; Completao nas trs camadas superiores, com canhoneio efetivo de 30% da espessura da camada.

Para os poos produtores horizontais, so: Mxima vazo de produo de lquido: 2500 m3/dia; Mnima presso de operao no fundo do poo: 100 kgf/cm2; Mnima vazo de leo: 50 m3/dia; Mxima produo de gua de 90% da vazo total; Mxima razo gs-leo de produo de 200 m3/m3. 88

E para os poos injetores horizontais, so: Mxima vazo de injeo de gua: 2200 m3/dia; Mxima presso de operao no fundo do poo de 300 kgf/cm2. Os parmetros necessrios para a realizao dos clculos econmicos esto indicados na Tabela 4.4.

Tabela 4.4. Parmetros para anlise econmica. Taxa de juros [%] Taxas Governamentais [%] Investimento inicial [milhes US$] Custo por poo [milhes US$] Preo do leo [US$/m3] Preo do gs [US$/103 m3] Custo de produo do leo [US$/m3] Custo de produo da gua [US$/m3] Custo de injeo de gua [US$/m3] 15 45 120 15 113 113 20 10 10

4.2.1

Definio dos atributos incertos

Os atributos incertos, seus nveis e probabilidades de ocorrncia considerados para este modelo esto relacionados na Tabela 4.5. Foi admitida total independncia entre os atributos, ou seja, todas as combinaes de atributos na construo de um modelo de reservatrio so possveis.

89

Tabela 4.5. Atributos incertos.

Atributos Nveis por0 por1 = por0 * 0.7 por 2 = por0 * 1.4 permx0 permx1 = permx0 * 0.5 permx2 = permx0 * 2.0 permz0 permz1 = permz0 * 2.5 permz2 = permz0 * 0.4 cpor0 cpor1 = cpor0 * 0.8 cpor0 = cpor0 * 1.2 areas0 areas1 areas2 pvt0 pvt1 pvt2 kro0 kro1 kro2 dwoc0 = 3100 m dwoc1 = 3075 m dwoc2 = 3210 m Probabilidade 0.6 0.2 0.2 0.6 0.2 0.2 0.6 0.2 0.2 0.6 0.2 0.2 0.6 0.2 0.2 0.6 0.2 0.2 0.6 0.2 0.2 0.6 0.2 0.2

Porosidade

Permeabilidade Horizontal Permeabilidade Vertical Compressibilidade da Rocha

Modelo Estrutural

Anlise PVT Curva de Permeabilidade Relativa leo-gua Contato leo-gua

O modelo estrutural apresenta trs diferentes nveis, variando-se os volumes de rocha e fluido. A Figura 4.14 compara os modelos estruturais.

90

Figura 4.14. Diferenciao entre os nveis do atributo modelo estrutural (areas).

O atributo volume poroso agrega a incerteza no s quanto porosidade, mas tambm quanto ao volume de rocha do reservatrio. Um mapa determinstico foi elaborado para as permeabilidades horizontal e vertical, considerado como o mais provvel. Os demais nveis so obtidos por fatores multiplicadores aplicados a todo o mapa. A compressibilidade da rocha foi tratada como uniforme para todo o reservatrio e o seu valor mais provvel foi de 50.10-6 [kgf/cm2]-1. Os dados das anlises PVT e as curvas de permeabilidade relativa podem ser vistos no Anexo 2.

4.2.2

Composio do caso base

Aps a elaborao de um modelo em trs dimenses do reservatrio em um simulador de fluxo, uma estratgia de produo inicial para um modelo base, considerado o modelo mais provvel, j havia sido selecionada a priori. Embora a mesma no estivesse otimizada,

91

inicialmente era composta por 19 poos (12 produtores, dentre eles 4 verticais e 8 horizontais, e 7 injetores horizontais), como mostram a Tabela 4.6 e a Figura 4.15.

Tabela 4.6. Disposio dos poos produtores e injetores.

Poos PO - 001 PO - 002 PO - 003 AA - 119 PO - 004 PO - 005 PO - 006 PO - 007 PO - 008 PO - 010 PO - 013 PO - 014 PI - 009 PI - 015 PI - 016 PI - 017 PI - 018 PI - 019 PI - 020 Disposio Vertical Completao - Camada 1, 2, 3 1, 2, 3 1, 2, 3 1, 2, 3, 4, 5, 6 1 1 1 1 1 1 1 1 6 6 6 6 6 6 6

Produtores

Horizontal

Injetores

Figura 4.15. Estratgia inicial para o caso base (mapa de saturao de gua). 92

4.2.3

Otimizao da estratgia para o caso base

O processo de otimizao utilizado no modelo base e dos demais modelos apresentados neste trabalho seguem a metodologia proposta por Santos [2002], j mencionado neste texto. O procedimento adotado sugere a escolha de aes capazes de melhorar o VPL do projeto quando aplicado ao modelo de simulao.

A otimizao do modelo base est descrito na Tabela 4.7. Maiores detalhes sobre o processo de otimizao deste modelo encontra-se no Anexo 2, no final deste trabalho.

Tabela 4.7. Otimizao do Modelo Base.

Modelo Inicial Modelo Otimizado VPL [milhes US$] 86,14 169,73 49,25 Incremento [%] FR [%] 45,55 39,07

4.2.4

Anlise de sensibilidade

A anlise de sensibilidade realizada atravs da substituio dos nveis otimistas e pessimistas dos atributos no caso base, seguida de simulao numrica de fluxo e avaliao da funo-objetivo. A quantidade de simulaes encontra-se relacionada com o nmero de nveis relativos a cada atributo incerto, conforme Tabela 4.5.

A Figura 4.16, a Figura 4.17 e a Figura 4.18 mostram a sensibilidade de cada nvel com relao s funes objetivo VPL, Np e Wp, respectivamente. Pode-se observar que os atributos crticos encontrados na anlise realizada para a funo VPL foram o contato gua-leo (dwoc), a permeabilidade horizontal (permx), o modelo estrutural (areas) e a permeabilidade vertical (permz).

A considerao do VPL como nico parmetro de anlise pode no ser adequada em alguns casos, no devendo ser analisada separadamente, de forma que outras 93

funes objetivo devem ser analisadas, como a produo acumulada de gua (Wp) e de leo (Np). Ento, devem ser observadas outras funes objetivo, como o Np e Wp.

Anlise de Sensibilidade - VPL

dwoc por

Atributos

permx permz areas kro pvt -60 -40 -20 0 20 40 60

Pessimista Otimista

Variao do VPL [% ]

Figura 4.16. Anlise de sensibilidade para a funo objetivo VPL (20 anos).

Em que: dwoc contato gua-leo permx permeabilidade horizontal por porosidade areas modelo estrutural permz permeabilidade vertical cpor compressibilidade da rocha kro curvas de permeabilidade relativa leo-gua pvt tabela de presso-volume-temperatura para o leo e gs

Utilizando as funes Np e Wp, pode-se visualizar a importncia da varivel kro, demonstrada na Figura 4.17 e na Figura 4.18.

94

Anlise de Sensibilidade - Np
permx dwoc

Atributos

por kro areas pvt permz -30 -20 -10 0 10 20

Pessimista Otimista

Variao do Np[% ]

Figura 4.17. Anlise de sensibilidade para a funo objetivo Np (20 anos).

Anlise de Sensibilidade - Wp
dwoc por

Atributos

kro permx permz pvt areas -200 -100 0 100 200 300
Pessimista Otimista

Variao do Wp [%]

Figura 4.18. Anlise de sensibilidade para a funo objetivo Wp (20 anos).

95

4.2.5

Composio da curva de risco inicial para a estratgia inicial

A Figura 4.19 mostra a curva de risco do projeto antes e depois da otimizao do caso base, juntamente com os seus percentis P10, P50 e P90. Pode-se observar que, aps o processo de otimizao aplicado ao caso base, a curva de risco se deslocou para a direita do eixo x, reduzindo tambm o risco do projeto, ou seja, a diferena entre os percentis P10 e P90 (antes da otimizao,
P10 P90 = 191,68 milhes de dlares, para P10 P90 = 175,72 milhes de dlares aps a

otimizao). Foram consideradas como atributos crticos somente as variveis dwoc (3 nveis), areas (2 nveis), por (3 nveis) e permx (3 nveis), gerando um total de simulaes N = 33.21 = 54 mod elos .

100 90 80 P90 P90

Caso base otimizado Caso base no otimizado

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 -50 50 P10 150 P10 250 350 P50 P50

VPL [milhes US$]

Figura 4.19. Curva de risco do projeto.

4.2.6

Composio da rvore de derivao

Considerando os atributos crticos determinados pela anlise de sensibilidade, obtm-se a rvore de derivao mostrada na Figura 4.20 (atributos: areas com 2 nveis, dwoc com 3 nveis, por com 3 nveis e permx com 3 nveis), que resulta em uma rvore com 33.21 = 54 ramificaes, modelos ou cenrios possveis. 96

Figura 4.20. rvore de derivao. 97

4.2.7

Transformao da rvore de derivao em rvore de deciso

A transformao da rvore de derivao em rvore de deciso depende de quantos e quais atributos so passveis de reduo de incerteza atravs da obteno da informao. Neste trabalho so mostrados 3 tipos de resultados. No primeiro caso, os atributos considerados passveis de reduo de incerteza atravs da perfurao de um poo, so os atributos areas (2 nveis) e dwoc (3 nveis). Considerando neste exemplo que a informao a ser obtida perfeita, a informao eliminar totalmente a incerteza com relao aos atributos contato leo-gua e modelo estrutural. Desse modo, a obteno desta informao permite que a rvore de derivao se transforme na rvore de deciso explicitada na Figura 4.21. Num segundo caso, mais 2 atributos alm do contato leo-gua e do modelo estrutural so considerados passveis de reduo de incerteza atravs da obteno da informao. No terceiro, 3 atributos so considerados passveis de reduo de incerteza completamente (dwoc, areas e por) e 1 atributo parcialmente (permx).

4.2.8

Escolha dos modelos geolgicos representativos (MGR)

O processo de escolha dos MGR objeto de estudo deste trabalho e, por isso, neste exemplo apresentada uma escolha gradativa dos MGR, inicialmente com 6 modelos, mas variando esse nmero de 3 a 12 modelos. A aplicao dos MGR diferenciado dependendo do mtodo utilizado no clculo dos VME com e sem informao. Considerando o mtodo da rvore completa, a estratgia de produo de cada MGR o fator mais importante na anlise, de maneira que o conhecimento do maior nmero de estratgias otimizadas, oriundas da rvore de deciso, influncia fortemente o valor da informao. J para o mtodo dos MGR, os modelos geolgicos representativos so literalmente utilizados para representar a rvore de deciso, substituindo e simplificando a rvore de deciso original. O processo de escolha dos MGR so idnticos para ambos os mtodos utilizados, porm, com aplicaes diferenciadas. Os dois mtodos so explicitados individualmente nos prximos itens para os trs resultados citados acima.

98

4.2.9

Clculo dos VME com e sem informao Mtodo 1 rvore Completa

4.2.9.1 VDI completa para 2 atributos

Inicialmente, a rvore de deciso da Figura 4.21 foi subdividida em 6 grupos diferentes, de maneira que se possa englobar a incerteza agregada s variveis contato leo-gua (dwoc 3 nveis de incerteza) e modelo estrutural (areas 2 nveis de incerteza). Aps esta diviso, foi escolhido um modelo de cada grupo correspondente respectiva ramificao dos atributos passveis de reduo de incerteza (total de 6 MGR). Posteriormente, realizou-se uma reduo e um aumento gradativo, eliminando e adicionando-se, respectivamente, modelos representativos e, conseqentemente, estratgias de produo, para estudar a influncia do nmero de MGR/estratgias na confiabilidade do clculo do VDI a ser obtida. Inicialmente, pode-se imaginar que os modelos que devem ser acrescentados devem ter probabilidades mais altas, para que possam influenciar a resposta e caractersticas fsicas diferentes, pois resultariam em diferentes estratgias a serem testadas. Entretanto, quanto mais afastados do caso base so os modelos (no grfico VPL versus FR), mais diferentes so as caractersticas dos modelos, mas menor as probabilidades de ocorrncia. Dessa forma, difcil afirmar a priori que os modelos selecionados traro benefcios ao processo de quantificao de VDI.

Com o aumento do nmero de modelos representativos, mais de um modelo por grupo deve ser escolhido. Entretanto, um maior nmero de MGR deve estar concentrado na representatividade dos modelos com maior probabilidade de ocorrncia porque a concentrao de altas probabilidades em um determinado modelo pode gerar resultados errneos ou distorcidos da realidade. A Figura 4.22 mostra que o dimetro de cada crculo proporcional probabilidade do respectivo modelo. Quanto maior o dimetro do crculo, maior a probabilidade do modelo. Podese notar que os Grupos 1, 2 e 3 possuem os modelos com as maiores probabilidades de ocorrncia (crculos maiores) dentre os 54 modelos. Portanto, um nmero maior de MGR deve estar presente nestes grupos. Outro fator importante na escolha e avaliao dos modelos a seleo de modelos com caractersticas distintas entre si, por exemplo a grande variao entre os possveis valores do VPL e FR, ou seja, possveis variaes na estratgia de produo e diferenas geolgicas entre os modelos. 99

Figura 4.21. rvore de deciso subdividida em 6 grupos. 100

Concentrao das probabilidades de ocorrncia para cada modelo

60

Fator de Recuperao [%]

50

40

MGR Grupo 1 Grupo 2

30

Grupo 3 Grupo 4 Grupo 5

20

Grupo 6

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.22. Concentrao das probabilidades de ocorrncia para cada modelo.

A escolha de cada modelo pode ser melhor visualizada gerando um grfico dos valores de todos os VPL calculados versus os correspondentes fatores de recuperao (FR) simulados (Figura 4.23). Os grupos so identificados por diferentes smbolos e cores. Deve-se obter um modelo representativo para cada cor (grupos diferentes) gradativamente para representar diferentes regies do grfico, por exemplo, regies de baixo FR com altos e baixos VPL, regies de altos FR com altos e baixos VPL, etc., ou seja, regies com FR e VPL semelhantes. Este grfico mostra quais modelos foram selecionados e utilizados no clculo do valor da informao (adicionados e retirados de forma gradativa), inicialmente com 6 MGR.

101

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

5 2

VPL P10 VPL P50 VPL P90 1 11 10 4 8 7 12 9 3 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

40

30

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.23. Ordem de escolha dos 12 modelos geolgicos representativos (MGR).

Aps a escolha dos modelos representativos, cada um destes modelos deve ser otimizado. O processo de otimizao utilizado foi o proposto por Santos [2002]. A Figura 4.24 compara os VPL dos modelos representativos antes da otimizao, em que a estratgia base aplicada a todos os modelos, e depois da otimizao de cada modelo representativo, individualmente. O valor da informao depende muito do processo de otimizao, porque, quanto melhor a otimizao de cada modelo, maior sero seus respectivos VPL, mais precisa ser a definio de cada estratgia de produo e, conseqentemente, mais confivel ser o processo de clculo do valor da informao.

Entretanto, quando existe mais de uma estratgia (MGR) por grupo, deve-se escolher somente uma estratgia para representar o grupo, ou seja, aquela que maximize o VME do grupo, j que existe somente 6 possibilidades de ocorrncia para os atributos areas e dwoc combinados.

102

Otimizao dos Modelos Geolgicos Representativos

350 300

VPL para a estratgia base VPL aps a otimizao

VPL [milhes US$]

250 200 150 100 50 0 -50 1 2 3 4 5 6 7 8 9 10 11 12

Modelos Geolgicos Representativos

Figura 4.24. Comparao entre os VPL dos 12 MGR antes e depois da otimizao.

Um dos modelos representativos escolhidos foi o modelo base (modelo 1), pois j havia sido otimizado. Contudo, o modelo 1 foi re-otimizado, porque, com a substituio de cada estratgia em todos os modelos representativos, constatou-se que a estratgia do modelo base, que anteriormente possua um VPL de 136,08 milhes de dlares, no estava otimizado realmente, ou seja, ao substituir a estratgia 4 no modelo representativo 1 (base), foi calculado um VPL maior. Uma nova otimizao foi realizada para o caso base, resultando em um VPL de US$ 169,73 milhes. Este processo iterativo (fluxograma da Figura 3.1), pois uma outra estratgia resultou em VPL maior que o anterior na verificao do processo de otimizao realizado. Maiores detalhes sobre o processo de otimizao de cada modelo representativo encontram-se no Anexo 2.

A diferena na estratgia de produo de cada modelo reflete a influncia das variaes dos atributos geolgicos. A variao do contato leo-gua e do modelo estrutural ir influenciar fortemente a alocao e a escolha do nmero de poos produtores e injetores.

A Figura 4.25 expe o nmero de poos empregados em cada estratgia de cada modelo representativo otimizado. Existe uma variao mxima de nove poos horizontais entre as 12 estratgias, ou seja, isto implica em diferentes sistemas de produo e capacidades de injeo e 103

produo de fluidos. A Figura 4.26 mostra que h uma variao de aproximadamente 45 milhes de m3 na produo total de fluidos (Np e Wp) entre os modelos representativos 3 e 10, uma variao de 20 milhes de m3 na produo de gua entre os modelos 6 e 11 e uma variao de 38 milhes de m3 na produo de leo entre os modelos 5 e 9. Estas diferenas implicam na diversificao da definio de plataformas, dimensionamento da capacidade de processamento do leo, tratamento e injeo de gua.

Uma observao deve ser feita com relao baixa produo de gua acumulada dos modelos representativos 4, 6, 7 e 9: as aberturas e alocaes dos poos injetores no processo de otimizao visaram a maximizar a funo objetivo VPL. Outro fator responsvel por esse baixo ndice o fato de que alguns modelos possuem baixo contato leo-gua e baixa permeabilidade horizontal, favorecendo ou no a produo de gua e leo ao longo da vida do campo.

N de poos para cada estratgia

18 16 14
Np e Wp [milhes m3]
80 70 60 50 40 30 20 10 0

Produo Acumulada de leo (Np) e de gua (Wp)

Np

Wp

Total

N de poos

12 10 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12

10

11

12

Estratgia

Modelos Geolgicos Representativos

Figura 4.25. Diferena do nmero de poos para cada estratgia otimizada.

Figura 4.26. Variao da produo acumulada de leo e gua para cada MGR.

No clculo dos VME, o VME sem informao corresponde melhor estratgia utilizada a todos os ramos da rvore de derivao. Independente de quantos ramos ou grupos passveis de reduo de incerteza existam, o VME sem informao o mesmo. J o VME com informao depende de quantos ramos ou grupos passveis de reduo de incerteza existem no problema, ou seja, deve-se definir uma nica e melhor estratgia para cada ramo ou grupo passvel de reduo

104

de incerteza. Esta alternativa torna-se invivel em casos que a simulao de toda rvore exige muito tempo (rvore extensa) ou em casos que o processo no automatizado.

Considerando a reduo da incerteza dos atributos areas e dwoc, que combinados geram 6 ramos ou grupos passveis de reduo de incerteza, o VME com informao calculado pelo somatrio dos VPL vezes suas respectivas probabilidades, de maneira que cada grupo possua uma estratgia que maximize seu VME parcial. Portanto, para o clculo do VDI com 12 MGR, cada grupo dentre os 6, possui uma estratgia otimizada que maximiza o VME parcial do grupo. O somatrio destes VME parciais resultam no VME com informao. Para a anlise em questo, foram realizadas 648 simulaes (54 modelos da rvore vezes 12 estratgias otimizadas) para a determinao dos VME com e sem informao.

A Figura 4.27 mostra a variao do VDI e dos VME com e sem informao para o caso do clculo mais preciso. Pode-se observar que os valores dos VME so crescentes em geral conforme o aumento do nmero de estratgias no processo de clculo. O VDI mostra-se muito sensvel a estas variaes (pois a diferena entre os VME). A adio da quinta estratgia mostra-se mais eficiente para a rvore completa do que para os grupos especficos, de forma que o aumento do VME sem informao maior do que o com informao. J a adio da oitava estratgia mostra-se mais expressiva para determinados grupos da rvore fazendo com que o VME com informao seja maior que o VME sem informao. Nesse caso, o VDI estabiliza em um valor prximo a US$ 8 milhes.

A Figura 4.28 mostra a distribuio dos grupos no grfico VPL versus FR. Pode-se observar que os grupos no esto muito distantes entre si (principalmente os grupos que diferem pelo atributo areas), o que resulta em pouca variao na estratgia de produo considerando que a informao reduz a incerteza somente dos atributos areas e dwoc. Por isso, o VDI no muito grande. Pelo mesmo grfico, pode-se observar que o uso dos MGR para representar cada grupo no clculo do VME pode no ser uma boa aproximao.

105

Variao do VDI
200 190
VME c/ Informao VME s/ Informao VDI

9 8

VME [milhes US$]

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

6 5 4 3 2 1 0

N de MGR

Figura 4.27. Clculo do VDI atravs da simulao de cada estratgia otimizada dos MGR em todos os ramos da rvore de derivao e deciso.

Valor Presente Lquido x Fator de Recuperao

60

50

Fator de Recuperao [%]

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2

40

30

20

Grupo 3 Grupo 4 Grupo 5 Grupo 6

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.28. Variao dos grupos no grfico VPL versus FR.

106

VDI [milhes US$]

A Figura 4.29 mostra o clculo do VME sem informao para cada estratgia otimizada dos MGR. As maiores diferenas so observadas na adio das Estratgias 5, 8 e 12. O aumento relativo entre o VME sem informao e com determina o crescimento e diminuio do VDI.

VME sem informao

160 140

VME [milhes US$]

120 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 11 12

Estratgia

Figura 4.29. Clculo do VME de cada estratgia otimizada dos MGR em todos os ramos da rvore de derivao.

Pode-se analisar a influncia da obteno da informao na curva de risco na Figura 4.30. A curva de risco em azul corresponde curva com a melhor estratgia obtida para toda a rvore dentre as 12 possveis (estratgia 12). A curva em verde corresponde curva de risco, calculada aps a obteno da informao, definindo-se as melhores estratgias para cada grupo da rvore (6 grupos).

Observa-se que a curva em verde deslocou-se para a direita do eixo do VPL aumentando o VME do projeto e reduzindo o risco associado ao mesmo ( P10 P90 ) de US$ 198,59 milhes para US$ 186,05 milhes com a obteno da informao (reduo da incerteza de 2 atributos).

107

100 90 80

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 -50 50 150 250 350

Curva de risco (base) Curva de risco (com informao)

VPL [milhes US$]

Figura 4.30. Curvas de risco com e sem informao para 2 atributos.

4.2.9.2 VDI completa para 4 atributos

A anlise realizada neste item tem como objetivo mostrar a variao do valor da informao considerando 4 variveis, isto , a informao obtida reduz totalmente (completamente) a incerteza no s dos atributos modelo estrutural (areas) e contato leo-gua (dwoc) como tambm da porosidade (por) e permeabilidade horizontal (permx). Isto faz com que o conhecimento a respeito dos parmetros porosidade e permeabilidade horizontal influencie a definio da estratgia de produo e aumente o valor da informao em relao anlise anterior.

Assumindo esta hiptese, a obteno da informao permite que a rvore de derivao da Figura 4.20 se transforme na rvore de deciso da Figura 4.31, agora subdividida em 54 grupos (cada grupo um modelo) e no mais 6 em que somente os atributos areas e dwoc eram analisados. Desta forma, todas as estratgias otimizadas dos modelos representativos podem ser aplicadas no clculo do VDI. A Figura 4.32 mostra os 54 grupos da rvore de deciso da Figura 4.31. Analisando os 54 grupos individualmente, pode-se observar uma maior disperso entre os grupos comparada a Figura 4.28. 108

Figura 4.31. rvore de deciso subdividida em 54 grupos. 109

Valor Presente Lquido x Fator de Recuperao

60

50

Fator de Recuperao [%]

40

VPL P10 VPL P50 VPL P90

30

FR P10 FR P50 FR P90

20

54 grupos

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.32. Anlise dos 54 grupos da rvore de deciso.

A Figura 4.33 mostra o resultado do clculo do VDI considerando que a informao reduz completamente a incerteza dos atributos dwoc, areas, por e permx. Pode-se notar que os valores da informao so maiores comparados ao da Figura 4.27, estabilizando aos US$ 16 milhes.

O clculo dos VME realizados atravs da substituio das melhores estratgias na rvore completa (Figura 4.33), ao invs da representatividade dos MGR12, mostra-se mais confivel porque considera a influncia das estratgias em relao aos demais ramos ou modelos da rvore, ao passo que nem todos os modelos tm suas estratgias otimizadas.

A influncia da obteno da informao na curva de risco mostrada na Figura 4.34, idntica Figura 4.30. Observa-se que a curva em verde deslocou-se para a direita do eixo do VPL aumentando o VME do projeto e reduzindo o risco associado ao mesmo ( P10 P90 ) de US$ 198,59 milhes para US$ 183,12 milhes com a obteno da informao (reduo da incerteza de 4 atributos).

12

Ser mostrado e comparado nos prximos itens considerando o Mtodo dos MGR.

110

Variao do VDI
200 190 18
VME c/ Informao VME s/ Informao VDI

16

VME [milhes US$]

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

12 10 8 6 4 2 0

N de MGR

Figura 4.33. Variao do VDI e dos VME com e sem informao.

100 90 80

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) Curva de risco (com informao)

-50

50

150

250

350

VPL [milhes US$]

Figura 4.34. Curvas de risco com e sem informao para 2 atributos.

4.2.9.3 VDI completa para 3 atributos e incompleta para 1 atributo

O clculo do valor da informao incompleta foi efetuado considerando que a perfurao de um poo elimina totalmente a incerteza com relao aos parmetros modelo estrutural (areas), 111

VDI [milhes US$]

14

contato leo-gua (dwoc) e porosidade (por), mas no com relao permeabilidade horizontal do reservatrio (permx). A obteno da informao mostra que os valores de permeabilidade so mais otimistas ou mais pessimistas, de forma que a funo densidade de probabilidade representada na Figura 4.35 (Item (a)) pode ser subdividida em duas funes: postura mais pessimista (Item (b)) e postura mais otimista (Item (c)).

60

P(permx)

20

20

permx 1

permx 0

permx 2

permx

(a) Funo densidade de probabilidade do atributo permeabilidade horizontal.

60

60

P(permx)

P(permx)

40

40

permx 1

permx 0

permx 2

permx

permx 1

permx 0

permx 2

permx

(b) Informao incompleta (p1 = 20%, p0 = 30% e p2 = 0 %).

(c) Informao incompleta (p1 = 0%, p0 = 30% e p2 = 20%).

Figura 4.35. Funo densidades de probabilidade da permeabilidade horizontal discretizada para a informao incompleta.

Com a obteno da informao incompleta, a rvore de derivao mostrada na Figura 4.20 torna-se a rvore de deciso da Figura 4.36. O n de deciso correspondente permeabilidade horizontal subdividido em dois ramos com ns de derivao em suas extremidades (otimista e 112

pessimista) para posteriormente ser subdividido em trs nveis (otimista, provvel e pessimista). Para o clculo do VME sem informao atravs da rvore completa, deve-se determinar a estratgia que maximiza o VME da rvore completa como foi feito anteriormente. J para o
54 clculo do VME com informao, a rvore de deciso ento subdividida em 36 grupos . 2 3

em que cada grupo deve possuir uma estratgia dentre todas as que foram otimizadas, que maximize seu VME parcial.

importante observar que as equaes escritas no Captulo 3 (Equaes 3.1 e 3.2) so vlidas tambm para a informao incompleta. O que muda apenas o nmero de grupos.

Os resultados do clculo do valor da informao incompleta so mostrados na Figura 4.37 variando-se o nmero de modelos representativos de 3 a 12. Pode-se observar que os valores do VME sem informao so idnticos aos valores da Figura 4.27 e Figura 4.33.

A diferena entre os VDI para a obteno da informao completa para 2 atributos (areas e dwoc), para 4 atributos (areas, dwoc, por e permx) e para a informao completa para 3 atributos (areas, dwoc e por) e incompleta para 1 atributo (permx) so mostrados na Figura 4.38. Pode-se notar que a informao incompleta menor do que a informao completa, como afirmado desde o incio, e maior do que a informao considerando a reduo da incerteza de apenas 2 parmetros.

113

Figura 4.36. rvore de deciso subdividida em 36 grupos. 114

Variao do VDI
200 190
VME c/ Informao VME s/ Informao VDI

12 10 8 6

VME [milhes US$]

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

4 2 0

N de MGR

Figura 4.37. Variao do VDI e dos VME com e sem informao.

Comparao dos VDI

18 16 14 12 10 8 6 4 2 0 3 4 5 6 7 8 9 10 11 12
VDI completa (2 atributos) VDI completa (4 atributos) VDI incompleta

VDI [milhes US$]

N de MGR

Figura 4.38. Comparao entre os VDI completa e incompleta.

115

VDI [milhes US$]

4.2.10 Clculo dos VME com e sem informao Mtodo 2 MGR

Este mtodo de clculo dos VME com e sem informao utiliza os modelos representativos para literalmente substituir e representar a rvore de derivao e deciso. O clculo dos VME com e sem informao feito atravs da obteno dos VPL dos modelos e das probabilidades calculadas pelos mtodos propostos anteriormente.

A escolha de cada modelo idntica ao mtodo anterior, melhor visualizada atravs do grfico dos valores de todos os VPL calculados versus os correspondentes fatores de recuperao (FR) simulados (Figura 4.39 at a Figura 4.48). Os grupos so identificados por diferentes smbolos e cores. Esses grficos mostram quais modelos foram selecionados e utilizados no clculo do valor da informao (adicionados e retirados de forma gradativa), inicialmente com 6 MGR. Os 54 modelos foram divididos em 6 regies, que foram agrupadas at a formao de somente 3 regies e, posteriormente, as mesmas 6 regies foram subdivididas em outras regies, at a composio de 12 regies representativas.

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5

40

30

20

10

Grupo 6

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.39. Escolha dos 3 modelos geolgicos representativos (MGR). 116

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

40

30

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.40. Escolha dos 4 modelos geolgicos representativos (MGR).

Valor Presente Lquido x Fator de Recuperao
60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90

40

FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5

30

20

10

Grupo 6

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.41. Escolha dos 5 modelos geolgicos representativos (MGR). 117

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

40

30

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.42. Escolha dos 6 modelos geolgicos representativos (MGR).

Valor Presente Lquido x Fator de Recuperao
60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

40

30

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.43. Escolha dos 7 modelos geolgicos representativos (MGR).

118

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2

40

30

20

Grupo 3 Grupo 4 Grupo 5 Grupo 6

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.44. Escolha dos 8 modelos geolgicos representativos (MGR).

Valor Presente Lquido x Fator de Recuperao
60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90

40

30

MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.45. Escolha dos 9 modelos geolgicos representativos (MGR). 119

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2

40

30

20

Grupo 3 Grupo 4 Grupo 5 Grupo 6

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.46. Escolha dos 10 modelos geolgicos representativos (MGR).

Valor Presente Lquido x Fator de Recuperao
60

Fator de Recuperao [%]

50

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90 MGR Grupo 1 Grupo 2

40

30

20

10

Grupo 3 Grupo 4 Grupo 5 Grupo 6

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.47. Escolha dos 11 modelos geolgicos representativos (MGR).

120

Valor Presente Lquido x Fator de Recuperao

60

Fator de Recuperao [%]

50

base

VPL P10 VPL P50 VPL P90 FR P10 FR P50 FR P90

40

30

MGR Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5 Grupo 6

20

10

0 -100

100

200

300

400

VPL [milhes US$]

Figura 4.48. Escolha dos 12 modelos geolgicos representativos (MGR).

As probabilidades de ocorrncia de cada modelo representativo so mostradas e comparadas entre si, considerando cada mtodo de clculo de probabilidades proposto (Figura 4.49 a Figura 4.58). Pode-se notar que as probabilidades de ocorrncia se aproximam com o aumento do nmero de modelos representativos, comparando-se os trs mtodos de clculo propostos. Um maior peso foi empregado para o modelo 1 considerando o mtodo dos ramos, porque sua probabilidade resulta da multiplicao das probabilidades dos atributos mais provveis. J para o mtodo das distncias, o peso maior foi empregado para os modelos 1, 4 e 8, porque esto mais centralizados na nuvem de pontos do grfico VPL versus FR e, conseqentemente, mais prximos da maioria dos pontos.

121

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem Ramos Distncias

Probabilidades

50% 40% 30% 20% 10% 0% 1 2

Probabilidades

Ramos Distncias

50% 40% 30% 20% 10% 0%

Modelos

Modelos

Figura 4.49. Probabilidades dos 3 MGR.

Figura 4.50. Probabilidades dos 4 MGR.

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem Ramos Distncias

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem

Probabilidades

Probabilidades

50% 40% 30% 20% 10% 0% 1 2

50% 40% 30% 20% 10% 0%

Ramos Distncias

Modelos

Modelos

Figura 4.51. Probabilidades dos 5 MGR.

Diferenas das Probabilidades de ocorrncia dos MGR
70% 60%
Nuvem Ramos Distncias

Figura 4.52. Probabilidades dos 6 MGR.

Diferenas das Probabilidades de ocorrncia dos MGR
70% 60%
Nuvem

Probabilidades

Probabilidades

50% 40% 30% 20% 10% 0% 1 2 3 4 5

50% 40% 30% 20% 10% 0%

Ramos Distncias

Modelos

Modelos

Figura 4.53. Probabilidades dos 7 MGR.

Figura 4.54. Probabilidades dos 8 MGR.

122

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem Ramos Distncias

Probabilidades

Probabilidades

50% 40% 30% 20% 10% 0% 1 2 3 4 5 6

Ramos Distncias

50% 40% 30% 20% 10% 0%

10

Modelos

Modelos

Figura 4.55. Probabilidades dos 9 MGR.

Figura 4.56. Probabilidades dos 10 MGR.

Diferenas das Probabilidades de ocorrncia dos GRM

70% 60%
Nuvem

Diferenas das Probabilidades de ocorrncia dos MGR

70% 60%
Nuvem Ramos Distncias

Probabilidades

50% 40% 30% 20% 10% 0% 1 2 3 4 5 6 7 8

Probabilidades
11

Ramos Distncias

50% 40% 30% 20% 10% 0%

10

10 11 12

Modelos

Modelos

Figura 4.57. Probabilidades dos 11 MGR.

Figura 4.58. Probabilidades dos 12 MGR.

4.2.10.1

VDI completa para 2 atributos

Aps o processo de otimizao dos MGR, todos os modelos representativos devem ser simulados com cada uma das estratgias otimizadas para determinar se nenhuma estratgia melhor do que a suposta melhor estratgia de cada modelo e determinar a estratgia que proporciona nova rvore de derivao o maior VME, selecionado para representar o caso estudado sem a obteno da informao. O VME com informao calculado atravs do somatrio dos VPL dos modelos otimizados, ou seja, os VPL de cada estratgia otimizada

123

correspondente a cada modelo representativo (Figura 4.24), multiplicado por suas respectivas probabilidades de ocorrncia (Figura 4.49 a Figura 4.58).

Um estudo foi realizado para determinar a influncia do nmero de MGR na confiabilidade do clculo do VDI para o caso do mtodo simplificado, ou seja, o uso dos MGR para representar a rvore e calcular os VME com e sem informao. Este nmero variou de 3 a 12 modelos, partindo de 6 MGR (nmero de grupos definidos pelo tipo de informao disponvel), havendo uma reduo para 3 modelos e um aumento para 12 modelos. A Figura 4.59 mostra um exemplo da substituio das rvores de derivao (Figura 4.20) e deciso (Figura 4.21) respectivamente pelas rvores de derivao (Item (a)) e deciso (Item (b)) simplificadas e representadas neste caso por 12 MGR utilizadas no clculo do VDI.

Outro parmetro analisado foi o mtodo de clculo das probabilidades de ocorrncia dos MGR. Os trs mtodos apresentados anteriormente foram testados. Os resultados podem ser visualizados na Figura 4.60.

Pode-se observar que os erros obtidos nos clculos dos VME no so muito grandes, ou seja, os MGR podem ser usados para o clculo aproximado dos VME com e sem informao. Entretanto, o VDI, que a diferena dos VME, mostrou-se bastante sensvel tanto ao nmero quanto a probabilidade dos MGR, no apresentando estabilizao at a adio do modelo 12.

124

(a) rvore de derivao simplificada.

(b) rvore de deciso simplificada.

Figura 4.59. Exemplo de rvores de derivao e deciso simplificadas com 12 MGR.

A utilizao dos MGR para a gerao da curva de risco, para o clculo do VME do projeto e para o clculo do percentis (P10, P50 e P90) mostrou resultados satisfatrios demonstrados por Schiozer et al. [2004] e Costa [2003]. Entretanto, a aproximao atravs do uso dos MGR para representar a rvore no muito boa para este caso, representando apenas um clculo aproximado que pode ser til em algumas situaes. A oscilao do VDI com a adio de modelos representativos ao clculo mostra que, talvez, a utilizao dos MGR no clculo dos VME com e sem informao no seja a maneira mais precisa, mostrando-se muito sensvel variao entre os VME. De forma que, os MGR devem ser escolhidos, otimizados e utilizados na definio de diferentes estratgias de produo para o campo, mas no so suficientes para o clculo do VDI. Portanto, outra maneira de calcular os VME com e sem informao proposta atravs da 125

simulao de cada estratgia otimizada dos MGR para todos os modelos da rvore de derivao e deciso.

Estes resultados mostram tambm que, neste exemplo, a escolha de trs modelos representativos, pode introduzir grandes erros no clculo do valor da informao. Um nmero reduzido de modelos pode desconsiderar possveis variaes nas estratgias de produo do reservatrio, proporcionando resultados errneos.
Valor da Informao x N MGR
23 21
200

Variao do VDI - Mtodo das distncias

18 16

VME [milhes US$]

VDI [milhes US$]

19 17 15 13 11 9 0 2 4 6 8 10 12 14

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

VME c/ informao VME s/ informao VDI

12 10 8 6 4 2 0

N Modelos Geolgicos Representativos (MGR)

N de MGR

(a) Variao do VDI em funo do nmero de modelos representativos.

Variao do VDI - Mtodo dos ramos
200 190 18 16

(b) Variao do VDI, considerando o mtodos das distncias.

Variao do VDI - Mtodo das nuvens
200 190 18 16 12 10 8
VME c/ informao VME s/ informao VDI

VME [milhes US$]

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

VME c/ informao VME s/ informao VDI

VDI [milhes US$]

12 10 8 6 4 2 0

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

6 4 2 0

N de MGR

N de MGR

(c) Variao do VDI, considerando o mtodos dos ramos.

(d) Variao do VDI, considerando o mtodos das nuvens.

Figura 4.60. Variao do VDI e do VME com e sem informao para diferentes mtodos de clculo das probabilidades dos MGR. 126

VDI [milhes US$]

14

VME [milhes US$]

14

VDI [milhes US$]

Mtodo dos ramos Mtodo das nuvens Mtodo das distncias

190

14

O VME com informao pode aumentar ou no com a adio de novos MGR, mas deve-se analisar o comportamento de sua estratgia no clculo do VME com e sem informao. A relao entre os VME com e sem informao determina o aumento ou a queda do VDI. Estes resultados podem ser melhor analisados com a escolha de um n maior de MGR que estabilizem o VDI. Pode-se analisar tambm a influncia da otimizao dos MGR na Figura 4.61. A curva de risco em azul corresponde curva para a estratgia base. A curva em verde corresponde curva de risco, calculada utilizando-se os modelos geolgicos representativos (Itens (a), (b) e (c) para 12 MGR). Os pontos que simbolizam os MGR otimizados (curva vermelha) se deslocaram para a direita do eixo dos VPL aps a otimizao dos mesmos. Caso todos os modelos tivessem sido otimizados (com a informao), a curva de risco teria todos os seus pontos deslocados para a direita do eixo do VPL, neste exemplo. Pode-se observar que no houve diferenas discrepantes na curva de risco entre os trs mtodos de clculo das probabilidades dos MGR.

100 90 80

100 90 80

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) MGR No Otimizados (base) MGR Otimizados

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) MGR No Otimizados (base) MGR Otimizados

-50

50

150

250

350

-50

50

150

250

350

VPL [milhes US$]

VPL [milhes US$]

(a) Curva de risco - mtodo das distncias.

100 90 80

(b) Curva de risco - mtodo dos ramos.

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) MGR No Otimizados (base) MGR Otimizados

-50

50

150

250

350

VPL [milhes US$]

(c) Curva de risco - mtodo das nuvens. Figura 4.61. Curvas de risco considerando diferentes mtodos de clculo das probabilidades. 127

4.2.10.2

Resultados 2 VDI completa para 4 atributos

A Figura 4.62 (Item (a)) mostra os resultados do clculo do valor da informao para os diferentes mtodos de clculo das probabilidades dos MGR. Os Itens (b), (c) e (d) mostram detalhes da variao do VDI e dos VME com e sem informao, com comportamentos semelhantes e com poucas variaes entre os diferentes mtodos, tendendo a um patamar.

Valor da Informao x N MGR

23 21
Mtodo dos ramos Mtodo das nuvens Mtodo das distncias

Variao do VDI - Mtodo das distncias

200 190
VME c/ informao VME s/ informao VDI

25 20 15 10 5 0

VME [milhes US$]

VDI [milhes US$]

19 17 15 13 11 9 0 2 4 6 8 10 12 14

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

N Modelos Geolgicos Representativos (MGR)

N de MGR

(a) Variao do VDI em funo do nmero de modelos representativos.

Variao do VDI - Mtodo dos ramos
200 190 25

(b) Variao do VDI, considerando o mtodos das distncias.

Variao do VDI - Mtodo das nuvens
200 25

VME [milhes US$]

VME [milhes US$]

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

VME c/ informao VME s/ informao VDI

VDI [milhes US$]

180 170 160 150 140 130 3 4 5 6 7 8 9 10 11 12

VME c/ informao VME s/ informao VDI

15 10 5 0

15 10 5 0

N de MGR

N de MGR

(c) Variao do VDI, considerando o mtodos dos ramos.

(d) Variao do VDI, considerando o mtodos das nuvens.

Figura 4.62. Variao do VDI em funo do n de MGR e variao do VDI e do VME com e sem informao para diferentes mtodos de clculo das probabilidades dos MGR. 128

VDI [milhes US$]

20

190

20

VDI [milhes US$]

Os resultados demonstram que a escolha de trs modelos representativos, como feito normalmente na avaliao de projetos, pode causar erros no valor da informao em questo.

Pode-se notar que, comparada Figura 4.60, Item (a), os VDI foram maiores porque mais informaes foram obtidas a respeito do reservatrio influenciando a definio da melhor estratgia (conhecida) para um nmero maior de grupos na rvore de deciso.

A Figura 4.63 mostra diferentes curvas de risco para cada mtodo de clculo das probabilidades de ocorrncia dos 12 MGR. Esta figura se diferencia da Figura 4.61 (Itens (a), (b) e (c)) porque todas as 12 estratgias foram aplicadas na anlise do VDI, ao contrrio da anlise anterior que usufrui somente das 6 melhores estratgias dentre as 12 analisadas. Pode-se observar um leve deslocamento, para a direita, das curvas vermelhas (com os MGR otimizados aps a obteno da informao) quando comparadas s curvas da Figura 4.61, o que representa um aumento no valor da informao.

129

100 90 80

100 90 80

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) MGR No Otimizados (base) MGR Otimizados

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) MGR No Otimizados (base) MGR Otimizados

-50

50

150

250

350

-50

50

150

250

350

VPL [milhes US$]

VPL [milhes US$]

(a) Mtodo das distncias - 12 MGR.

100 90 80

(b) Mtodo dos ramos - 12 MGR.

Probabilidades [%]

70 60 50 40 30 20 10 0 -150 Curva de risco (base) MGR No Otimizados (base) MGR Otimizados

-50

50

150

250

350

VPL [milhes US$]

(c) Mtodo das nuvens - 12 MGR. Figura 4.63. Curvas de risco considerando diferentes mtodos de clculo das probabilidades.

4.2.11 Comparao entre mtodos

Uma comparao dos VDI e do nmero de simulaes realizadas no processo de clculo foi realizada entre quatro mtodos, dois propostos por este trabalho e dois utilizados na indstria ou na literatura. O caso analisado corresponde ao resultado do clculo do VDI com 12 MGR considerando que a informao reduz completamente a incertezas de 2 atributos (dwoc, areas) e 4 atributos (dwoc, areas, por e permx). A Tabela 4.8 mostra que o mtodo DSS utilizado por Floris
et al. [2000] e por Portella et al. [2003], descrito na reviso bibliogrfica, sub-avalia o VDI.

Outro mtodo que utilizado na indstria calcula o VDI atravs de 3 modelos representativos, o que tambm sub-avalia seu valor. O mtodo dos MGR um mtodo mais simplificado mas vlido para anlise de forma que sua preciso pode ser aumentada com o aumento do nmero de 130

modelos representativos com o mesmo nmero de estratgias otimizadas. J o mtodo da rvore Completa o mtodo mais confivel e preciso proposto por este trabalho.

Tabela 4.8. Clculo do VDI para 12 MGR. 2 atributos VDI [milhes US$] 0,00 8,00 17,99 5,74 n de simulaes 54 + (~25) = 81 948 444 84 4 atributos VDI [milhes US$] 1,75 15,21 11,76 8,80 n de simulaes 54 + (~25) = 81 948 444 84

Mtodo DSS Mtodo 1 rvore Completa Mtodo 2 Mtodo dos MGR 3 modelos

4.2.12 Discusses finais

O nmero de grupos da rvore de derivao/deciso (G) e o nmero de modelos ou cenrios por grupo (NG) so funo do tipo de informao que ser eventualmente obtida, conseqentemente, do nmero de variveis passveis de reduo de incerteza. Quando a informao elimina a incerteza de um maior nmero de atributos na rvore, maior o nmero de grupos alocados na rvore e, conseqentemente, menor o nmero de modelos por grupo. Com o aumento do nmero de grupos, existe um nmero maior de estratgias mais adequadas a cada grupo, requerendo um nmero maior de modelos representativos com suas estratgias otimizadas9. Porm, h um limite com relao ao nmero de MGR devido necessidade da simplificao para viabilizar o processo de clculo do VDI.

Quanto maior o nmero de MGR e estratgias maior a preciso e confiabilidade no processo de clculo. O aumento do nmero de MGR e de estratgias resulta em maiores VME (com e sem informao), entretanto, h uma tendncia de que o aumento do VME com informao seja maior que o aumento do VME sem informao porque cada grupo possui uma estratgia mais adequada e especfica para os modelos do grupo, ou seja, uma estratgia que
9

Outros fatores que tambm influenciam a necessidade do aumento do nmero de MGR devem ser

analisados, para maiores detalhes vide Item 3.1.6 Escolha dos Modelos Representativos.

131

maximiza o VME do grupo, favorecendo o VME com informao em detrimento ao sem informao. Por isso, os processos que simplificam o processo, normalmente subestimam o clculo do VDI.

O valor da informao pode oscilar ao longo do processo de clculo com a adio gradativa de MGR e estratgias devido a escolha de modelos ou estratgias que influenciam mais o aumento do VME sem informao comparado ao com informao, mas tendendo a um patamar (estabilizao do VDI).

A Figura 4.64 mostra uma comparao entre os mtodos de clculo dos VME com e sem informao em funo do nmero de simulaes realizadas e o nmero de estratgias otimizadas (de 3 a 12). Pode-se observar que o mtodo da rvore Completa exige um nmero de simulaes muito maior do que o mtodo dos MGR. Porm, um mtodo mais confivel e preciso. A definio de qual mtodo a ser utilizado deve ser ponderado pela relao custo-benefcio. Quanto maior a confiabilidade do processo maior o custo computacional exigido.

Somente a ttulo de exemplo a Figura 4.65 mostra um grfico idntico ao da Figura 4.64, mas para o caso em que todas as 54 estratgias de produo so otimizadas, o que invivel na prtica devido ao grande nmero de simulaes necessrias. Como alternativa pode-se adotar um mtodo intermedirio aos dois mtodos de clculo dos VME propostos, ou seja, a escolha de um nmero de MGR entre 12 e 54 com um nmero de estratgia reduzido, por exemplo 12. O grfico apresenta 5 curvas: a azul escura corresponde ao mtodo da rvore completa, a rosa ao mtodo dos MGR e as outras trs correspondem mtodos intermedirios sugeridos com o objetivo de aumentar a preciso e confiabilidade do processo e diminuir o nmero de simulaes.

132

N simulaes x N Estratgias
1000 900 800

rvore completa MGR

N simulaes

700 600 500 400 300 200 100 0 2 3

10

11

12

13

N Estratgias

Figura 4.64. N de simulaes em funo do n de estratgias otimizadas para os mtodos da rvore Completa e dos MGR.

N simulaes x N Estratgias
5000 4000
rvore completa MGR 27 MGR 12 MGR 3 MGR

N simulaes

3000 2000 1000 0 0 5

10

15

20

25

30

35

40

45

50

55

N estratgias

Figura 4.65. N de simulaes em funo do n de estratgias otimizadas.

133

Captulo 5 Concluses e Recomendaes

Este trabalho desenvolveu uma metodologia de quantificao de valor de informao aplicada ao desenvolvimento de campos de petrleo. As principais concluses esto resumidas abaixo. Os resultados obtidos foram bastante satisfatrios. No entanto, pela complexidade do assunto, pode-se verificar ainda muitos assuntos a serem pesquisados, como complementao desta metodologia; alguns deles esto listados neste captulo, aps as concluses.

5.1

Concluses

As principais observaes com relao ao estudo detalhado abordado foram: A quantificao de valor de informao (VDI) e flexibilizao (VDF) para o desenvolvimento de campos de petrleo um processo complexo, devido:
o ao grande nmero de incertezas e variveis envolvidas, o necessidade de modelagem precisa do campo, e o necessidade de integrao com o processo de seleo de escolha de estratgia de

produo para os possveis cenrios. Embora alguns trabalhos possam ser encontrados na literatura sobre o assunto, a maioria se aplica fase de explorao com modelagem mais simples. Os trabalhos aplicados s fases de avaliao e desenvolvimento de campos no detalham suficientemente o procedimento, ou simplificam o problema, com possveis erros na quantificao do VDI.

134

 O processo completo de quantificao do VDI envolveria a otimizao da estratgia de produo para um grande nmero de modelos, o que invivel na prtica. A metodologia proposta neste trabalho viabiliza e acelera o processo atravs da utilizao de modelos geolgicos representativos (MGR). O utilizao dos MGR pode ser subdividida em duas etapas independentes: na escolha de estratgias de produo adequadas a cada cenrio passvel de informao e para representar a rvore de deciso. No primeiro caso os MGR se mostraram bastante teis. No segundo caso, a simplificao pode causar erros significativos e a sua aplicao fica condicionada a preciso requerida dos resultados. A preciso e a confiabilidade do clculo do VDI so garantidas:
o pelo nmero de MGR e de estratgias otimizadas, o pela preciso utilizada no processo de otimizao de estratgia, e o pelo critrio de distribuio de probabilidades dos MGR (para o caso de uso dos

MGR para representar a rvore). O processo de clculo do valor da informao:

o deve ser dinmico e gradativo na determinao dos modelos geolgicos

representativos at a estabilizao (para que seja feito de forma eficiente);

o pode apresentar erros significativos com a simplificao para 3 modelos - um

pessimista, um provvel e um otimista (por vezes utilizado na indstria) e na literatura (como o mtodo DSS citado neste trabalho). A escolha dos modelos representativos depende:
o do nmero de variveis passveis de reduo de incerteza, juntamente com seus

respectivos nveis, isto , quanto maior o nmero de parmetros que tero suas incertezas eliminadas ou reduzidas atravs da obteno de novas informaes, maior deve ser o nmero de modelos representativos;
o da disposio da nuvem de pontos no grfico VPL versus FR, estando dispersos

ou concentrados, o que significa uma diferena grande ou no entre os valores de VPL e FR e, conseqentemente, uma diferena nas possveis estratgias de produo;

135

o de quo concentradas esto as probabilidades de ocorrncia de cada modelo, ou

seja, altas probabilidades de ocorrncia concentradas em determinados modelos devem ser diludas em um nmero maior de modelos;
o da necessidade e importncia que o projeto representa para a empresa, ou seja, do

nvel de confiana que se deseje obter no processo, pois, quanto maior o nmero de modelos representativos, maior a preciso e confiabilidade no clculo, e
o do tempo disponvel para a realizao do clculo e anlise do valor da informao.

O modelo base (mais provvel) deve ser bem otimizado, para evitar mais de uma iterao, como a re-otimizao do modelo base, conforme descrito na Figura 3.1, j que o processo demorado. Isto determinado aps a otimizao de todos os modelos representativos e a substituio de cada estratgia otimizada em cada MGR. Cada MGR tambm deve ser bem otimizado para aumentar a confiabilidade no processo. O estudo com vrios modelos geolgicos representativos mostrou que a utilizao de poucos modelos representativos pode causar erros devido desconsiderao de diferentes e possveis estratgias de produo. Com o crescimento do nmero de modelos, o valor tende a se estabilizar, pois as diferenas entre as estratgias decrescem. Os MGR:
o so teis para gerar estratgias o so confiveis na gerao da curva de risco o so confiveis no clculo do VME do projeto o so confiveis no clculo do percentis (P10, P50 e P90) o geram erros para substituir a rvore para calcular o VDI

Quanto ao clculo do VME com e sem informao

o A utilizao dos MGR no clculo dos VME com e sem informao mostrou-se

muito sensvel variao de suas respectivas probabilidades de ocorrncia influenciando fortemente o VDI.
o O mtodo que utiliza as estratgias otimizadas dos MGR e a rvore de

derivao/deciso completa para o clculo do VME mostrou-se mais estvel e confivel devido considerao de todos os modelos da rvore. Contudo, o tempo de simulao aumenta significativamente com o nmero de atributos passveis de

136

reduo de incerteza e o nmero de MGR (estratgias otimizadas), tornando-se invivel em alguns casos. muito til na presena de processos automatizados.
o O Mtodo dos MGR simplificado, menos preciso e til para casos em que as

simulaes so lentas. Deve-se desvincular o n de MGR e o n de estratgias no processo para aumentar sua confiabilidade.
o Foram estudados trs mtodos de atribuio de probabilidades aos MGR. Nenhum

dos 3 mtodos mostrou resultados muito bons quando comparados com o mtodo completo para o clculo do VME.
o A variao do VDI fortemente dependente do comportamento dos VME com e

sem informao, de forma que o mtodo mais confivel para este clculo a utilizao das estratgias otimizadas dos MGR e da rvore de derivao/deciso completa. Para casos em que isso no vivel, a utilizao dos MGR no clculo do valor da informao aplicvel. Os resultados mostram que a metodologia proposta pode ser aplicada para casos simples e para casos mais complexos, em que o nmero de variveis expressivo. Considerando-se a anlise de reservatrios na fase de avaliao e desenvolvimento, a metodologia de anlise do valor da informao uma ferramenta de anlise de deciso de grande importncia e, mesmo que seja um processo demorado, o processo mais confivel pode ser justificado; Possveis aplicaes adicionais para o clculo de VDI:
o Deciso de qual informao deve ser obtida, como funo dos atributos passveis

de reduo de incerteza;
o O valor da informao tambm pode ser utilizado como critrio de parada no

processo de avaliao no desenvolvimento de campos de petrleo.

5.2

Recomendaes para trabalhos futuros

Algumas sugestes para trabalhos futuros esto listadas a seguir: Estudar a influncia de outros tipos de incertezas, principalmente econmicas, na anlise do valor da informao;

137

 O valor de flexibilizao foi mostrado apenas para casos simples (Exemplos 1 e 2). Seria interessante estudar e aplicar a metodologia para o clculo do VDF para casos complexos; Tentar melhorar o critrio de escolha dos MGR, para minimizar o nmero de modelos necessrios e automatizar o processo; Explorar a utilizao dos MGR e de suas probabilidades no clculo dos VME com e sem informao. Aplicar a metodologia para outros casos, para verificar o comportamento do VDI e VDF como funo dos modelos geolgicos representativos.

138

Referncias Bibliogrficas

AYLOR JR., W. K., Measuring the Impact of 3-D Seismic on Business Performance. SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, Texas, U.S.A., SPE 52970, Maro, 1999.

BEGG, S., BRATVOLD, R., CAMPBELL, J., Improving Investment Decisions Using a
Stochastic Integrated Asset Model. SPE Annual Technical Conference and Exhibition, New

Orleans, Louisiana, U.S.A., SPE 71414, Setembro/Outubro, 2001.

BEGG, S., BRATVOLD, R., CAMPBELL, J., The Value of Flexibility in Managing Uncertainty
in Oil and Gas Investments. SPE Annual Technical Conference and Exhibition, San Antonio,

Texas, U.S.A., SPE 77586, Setembro/Outubro, 2002.

COOPERSMITH, E. M., Cunningham, P. C., A Practical Approach to Evaluating the Value of

Information and Real Option Decisions in the Upstream Petroleum Industry. SPE Annual

Technical Conference and Exhibition, San Antonio, Texas, U.S.A., SPE 77582, Setembro/Outubro, 2002.

COSTA, A. P. A., Quantificao do Impacto de Incertezas e Anlise de Risco no

Desenvolvimento de Campos de Petrleo. Campinas, 2003. 240pp. Tese (Doutorado em

Cincia e Engenharia de Petrleo) Faculdade de Engenharia Mecnica e Instituto de Geocincias, Universidade Estadual de Campinas UNICAMP, 2003.

139

COSTA, A. P. A., Schiozer, D. J., Treatment of Geological Attributes in Risk Analysis Applied to
the Appraisal Phase of Petroleum Fields. Canadian International Petroleum Conference,

Junho, Calgary, Alberta, Canad, 2003.

CLEMEN, R. T., Making Hard Decisions An Introduction to Decision Analysis. Belmont: Duxbury, 1995, 664pp.

DEMIRMEN, F., Use of Value of Information Concept in Justification and Ranking of

Subsurface Appraisal. SPE Annual Techinical Conference & Exhibition, Denver, U.S.A., SPE

36631, Outubro, 1996.

DEMIRMEN, F., Subsurface Appraisal: The Road from Reservoir Uncertainty to Better
Economics. SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, U.S.A., SPE

68603, Abril, 2001.

DEZEN, F., MOROOKA, C. K., Field Development Decision Making Under Uncertainty: A
Real Option Valuation Approach. SPE Latin American and Caribbean Petroleum Engineering

Conference, Buenos Aires, Argentina, SPE 69595, Maro, 2001.

DEZEN, F., MOROOKA, C. K., Real Options Applied to Selection of Technological Alternative
for Offshore Oilfield Development. SPE Annual Technical Conference and Exhibition, San

Antonio, Texas, U.S.A., SPE 77587, Outubro, 2002.

DEJEAN, J. P., BLANC, G., Managing Uncertainties on Production Predictions Using

Integrated Statistical. SPE Annual Technical Conference and Exhibition, Houston, Texas,

U.S.A., SPE 56696, Outubro, 1999.

DUNN, M. D., A Method to Estimate the Value of well Log Information. SPE Annual Techinical Conference & Exhibition, Washington, U.S.A., SPE 24672, Outubro, 1992.

140

FLORIS, F. J. T., PEERSMANN, M. R. H. E., E&P Decision System for Asset Management A
case study. SPE European Petroleum Conference, Paris, Frana, SPE 65146, Outubro, 2000.

GENTRY, D. W., ONEIL, T. J, Mine investment analysis. New York: SME, 1984, 502pp.

GERHARDT, J. H., HALDORSEN DANOP, HALDORSEN H. H., On the Value of Information. Offshore Europe 89, Aberdeen, SPE 19291, Setembro, 1989.

GRANT, E. L., IRESON, W. G., Principles of Engineering Economy. New York: The Ronald Press Company, 1970, 640pp.

GROEBNER, D. F., SHANNON, P. W., Business statistics: a decision-making approach. New York: MacMillan, 1993, 1119pp.

IATCHUK, S. (iatchuk@dep.fem.unicamp.br)., Algumas Observaes Sobre Flexibilizao do

Nmero de Poos em Projetos de Desenvolvimento Campos Martimos. 25, mar., 2004.

Enviado por e-mail. Mensagem para: SCHIOZER, D. J. (denis@dep.fem.unicamp.br).

JENSEN, T. B., Estimation of Production Forecast Uncertainty for a Mature Production

License. SPE Annual Technical Conference and Exhibitions, New Orleans, USA, SPE 49091,

Setembro, 1998.

KONINX, J. P. M., Value of Information: From Cost Cutting to Value Creation. SPE Asia Pacific Oil and Gas Conference and Exhibition, Brisbane, Australia, SPE 64390, Outubro, 2000.

LIGERO, E. L., SCHIOZER, D. J., Exploration and Production Risk Analysis - Automated
Methodology and Parallel Computing to Speedup the Process. Second Meeting on Reservoir

Simulation, Buenos Aires, Argentina, Novembro, 2002.

141

LIGERO, E. L., MASCHIO, C., SCHIOZER, D. J., Quantifying the Impact of Grid Size,
Upscaling, and Streamline in the Risk Analysis Applied to Petroleum Field, 17th Reservoir

Simulation Symposium, SPE 79677, Fevereiro, Houston, USA, 2003.

LOHRENZ, J., Net Values of Our Information. JPT Journal of Petroleum Technology, Abril, 1988.

LOSCHIAVO, R., Estimativas de Incertezas na Previso de Desempenho de Reservatrios. Campinas, 1999. 86pp. Dissertao (Mestrado em Cincia e Engenharia de Petrleo) Faculdade de Engenharia Mecnica e Instituto de Geocincias, Universidade Estadual de Campinas UNICAMP, 1999.

MIAN, M. A., Project Economics and Decision Analysis Volume II: Probabilistic Models, Penn Well Corporation, Tulsa, Oklahoma, 2002, 411pp.

NEWENDORP, P. D., Decision Analysis for Petroleum Exploration. Penn Well Publishing Co., Tulsa, Oklahoma, 1975, 606pp.

PORTELLA, R. C. M., SALOMO, M. C., BLAUTH, M., DUARTE, R. L. B., Uncertainty

Quantification to Evaluate the Information in a Deepwater Reservoir. SPE Reservoir

Simulation Symposium, Houston, Texas, U.S.A., SPE 79707, Fevereiro, 2003.

ROSE, P. R., Risk Analysis and Management of Petroleum Exploration Ventures. AAPG Methods In Exploration Series, n 12, 2001, 164pp.

SALOMO, M.C., GRELL, A.P., Uncertainty in Production Profiles on the Basis of Geostatistic
Characterization and Flow Simulation. SPE Latin American and Caribbean Petroleum

Engineering Conference, Buenos Aires, Argentina, SPE 69477, Maro. 2001.

SANTOS, J. A., Curso de Engenharia Econmica Anlise de Risco Fase 2, Rio de Janeiro, SEREC Petrobrs, 1988. 142

SANTOS, J. A. M., Estudo da Influncia da Estratgia de Produo em Anlise de Risco de

Projetos de E&P. Campinas, 2002. 140pp. Dissertao (Mestrado em Cincia e Engenharia de

Petrleo) Faculdade de Engenharia Mecnica e Instituto de Geocincias, Universidade Estadual de Campinas UNICAMP, 2002.

SANTOS, J. A. M., SCHIOZER, D. J., Quantifying Production Strategy Impact in Risk Analysis
of an E&P Project Using Reservoir Simulation, 17th Reservoir Simulation Symposium, SPE

79679, Fevereiro, Houston, USA, 2003.

SCHIOZER, D. J., LIGERO, E. L., SUSLICK, S. B., Costa, A. P. A. e Santos, J. A. M., Use of
Representative Models in the Integration of Risk Analysis and Production Strategy Definition,

JPSE. Journal of Petroleum Science and Engineering, pp131-141, nmero 1-2, vol. 44, Outubro, 2004.

STEAGALL, D. E., Anlise de risco nas previses de produo com simulao numrica de
fluxo Exemplo de um campo na fase de delimitao. Campinas, 2001. 89pp. Dissertao

(Mestrado em Cincia e Engenharia de Petrleo) Faculdade de Engenharia Mecnica e Instituto de Geocincias, Universidade Estadual de Campinas UNICAMP, 2001.

STERMOLE, F. J., STERMOLE, J. M., Economic Evaluations and Investment Decision

Methods. Golden: Investment Evaluation, 1974, 353pp.

STEVENSON, W. J., Estatstica Aplicada Administrao. So Paulo, SP: Editora Harbra, 1986, 495pp.

SUSLICK, S. B., Mtodos de Avaliao Econmica de Jazidas Minerais. Organizado por YAMAMOTO, J. K. Avaliao e Classificao de Jazidas Minerais. Cap. 8, So Paulo, EDUSP, 2001.

143

WARREN., Development Decision: Value of Information. Hydrocarbon Economics and Evaluation Symposium of the Society of Petroleum Engineers of AIME, Dallas, Texas, U.S.A., SPE 11312, Maro, 1983.

144

Anexo 1

Exemplos I e II Curvas de Permeabilidade Relativa

leo gua
Curvas de permeabilidade relativa
1.2 1 0.8

Krw Kro

kr

0.6 0.4 0.2 0 0 20 40 60 80 100

Sw [% ]

145

Tabela PVT

Razo de Fator Volume de Viscosidade Fator Volume de Viscosidade Solubilidade Formao do leo do leo Formao do gs do gs [kgf/cm2] [m3 std/m3 std] [m3 res/m3 std] [cp] [m3 res/m3 std] [cp] 1,034 0,178 1,062 1,04 0,935453695 0,008 18,611 16,119 1,15 0,975 0,067902492 0,0096 36,188 32,059 1,207 0,91 0,035227393 0,0112 71,342 66,077 1,295 0,83 0,017950743 0,014 141,651 113,275 1,435 0,695 0,009062322 0,0189 176,805 138,032 1,5 0,641 0,007265594 0,0208 211,96 165,638 1,565 0,594 0,006064024 0,0228 282,268 226,194 1,695 0,51 0,00455363 0,0268 352,577 288,175 1,827 0,449 0,003644023 0,0309 633,811 531,467 2,357 0,203 0,002167322 0,047 Presso

146

Anexo 2

Exemplo III Processo de otimizao dos modelos representativos

Otimizao do Modelo Representativo 1 (Modelo Base).
Modelo Inicial Rodada 1 - Fechamento dos poos PO-002, PO-003 e AA-119 Rodada 2 - Reordenao do cronograma de abertura de poos Rodada 3 - Fechamento do poo PO - 007 Rodada 4 - Fechamento do poo PO - 008 Rodada 5 - Fechamento do poo PI - 017 Rodada 6 - Fechamento do poo PI - 018 Rodada 7 - Fechamento do poo PI - 014 Rodada 8 - Fechamento do poo PI - 015 Rodada 9 - Realocao do poo injetor PI - 009 Rodada 10 - Realocao do poo produtor PO - 013 Rodada 11 - Realocao do poo injetor PI - 020 Rodada 12 - Realocao do poo produtor PO - 005 Rodada 13 - Realocao do poo produtor PO - 004 Rodada 14 - Realocao do poo injetor PI - 016 Modelo Otimizado Incremento [%] VPL [milhes US$] 86,14 102,30 111,55 120,04 122,73 134,24 143,35 144,35 148,51 158,56 159,63 166,60 167,55 169,72 169,73 169,73 49,25 FR [%] 45,55 45,51 45,63 45,51 44,61 42,99 41,97 41,09 36,44 37,67 37,66 38,66 38,64 39,05 39,07 39,07

Modelo Representativo 1 (Modelo Base). Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas 147

14 15 29

Otimizao do Modelo Representativo 2.

VPL [milhes US$] Modelo Inicial 111,87 Rodada 1 - Realocao do poo injetor PI - 016 112,36 Rodada 2 - Realocao do poo produtor PO - 005 114,88 Rodada 3 - Realocao do poo injetor PI - 019 115,07 Rodada 4 - Realocao do poo injetor PI - 016 115,24 Rodada 5 - Realocao do poo injetor PI - 019 115,99 Modelo Otimizado 115,99 Incremento [%] 3,55 FR [%] 45,22 42,96 45,02 45,12 45,34 45,43 45,43

Modelo Representativo 2. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas Otimizao do Modelo Representativo 3.

5 22 27

VPL [milhes US$] Modelo Inicial 268,15 Rodada 1 - Abertura do poo injetor PI - 015 280,21 Rodada 2 - Realocao do poo injetor PI - 020 285,87 Rodada 3 - Realocao do poo produtor PO - 005 290,26 Rodada 4 - Realocao do poo produtor PO - 013 294,41 Rodada 5 - Troca da abertura dos poos PI - 016 e PI - 009 295,09 Rodada 6 - Realocao do poo injetor PI - 019 295,36 Rodada 7 - Realocao do poo injetor PI - 015 299,51 Rodada 8 - Realocao do poo injetor PI - 009 299,79 Rodada 9 - Realocao do poo injetor PI - 020 300,04 Rodada 10 - Realocao do poo injetor PI - 019 300,80 Rodada 11 - Realocao do poo injetor PI - 016 301,06 Rodada 12 - Realocao do poo produtor PO - 005 301,32 Rodada 13 - Realocao do poo injetor PI - 009 301,43 Rodada 14 - Realocao do poo injetor PI - 009 301,98 Rodada 15 - Realocao do poo injetor PI - 020 305,41 Rodada 16 - Realocao do poo injetor PI - 016 305,51 Rodada 17 - Realocao do poo injetor PI - 019 307,45 Rodada 18 - Realocao do poo produtor PO - 005 307,99 Rodada 19 - Realocao do poo injetor PI - 015 308,98 Modelo Otimizado 308,98 Incremento [%] 13,21

FR [%] 20,59 24,21 24,83 24,98 21,42 25,12 25,17 25,37 25,41 25,40 25,48 25,47 25,44 25,37 25,40 25,66 25,63 25,86 25,89 25,94 25,94

148

Modelo Representativo 3. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas Otimizao do Modelo Representativo 4.
Modelo Inicial Rodada 1 - Realocao do poo injetor PI - 020 Rodada 2 - Realocao do poo produtor PO - 004 Rodada 3 - Realocao do poo produtor PO - 005 Rodada 4 - Realocao do poo produtor PO - 010 Rodada 5 - Realocao do poo injetor PI - 020 Rodada 6 - Realocao do poo produtor PO - 004 Rodada 7 - Realocao do poo injetor PI - 009 Rodada 8 - Realocao do poo injetor PI - 020 Rodada 9 - Fechamento do poo injetor PI - 019 Rodada 10 - Reordenao do cronograma de abertura de poos Modelo Otimizado Incremento [%]

19 21 40

VPL [milhes US$] 79,39 82,30 85,26 85,78 86,34 88,45 90,83 91,52 92,61 100,67 103,39 103,39 23,21

FR [%] 30,65 31,34 31,61 31,64 31,87 32,38 32,65 32,74 32,95 31,80 31,88 31,88

Modelo Representativo 4. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

10 18 28

149

Otimizao do Modelo Representativo 5.

VPL [milhes US$] Modelo Inicial -15,67 Rodada 1 - Fechamento do poo injetor PI - 016 -3,94 Rodada 2 - Realocao do poo produtor PO - 006 2,84 Rodada 3 - Reordenao do cronograma de abertura de poos 6,38 Rodada 4 - Realocao do poo produtor PO - 010 7,47 Rodada 5 - Realocao do poo injetor PI - 019 9,22 Rodada 6 - Realocao do poo produtor PO - 004 9,80 Rodada 7 - Realocao do poo produtor PO - 013 10,27 Rodada 8 - Realocao do poo produtor PO - 005 11,65 Rodada 9 - Realocao do poo produtor PO - 005 11,91 Rodada 10 - Realocao do poo produtor PO - 013 12,47 Modelo Otimizado 12,47 Incremento [%] 225,66 FR [%] 47,74 38,83 39,08 39,26 39,33 39,29 39,34 39,43 39,57 39,55 39,67 39,67

Modelo Representativo 5. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

10 10 20

150

Otimizao do Modelo Representativo 6.

VPL [milhes US$] Modelo Inicial 94,27 Rodada 1 - Abertura do poo injetor PI - 015 98,73 Rodada 2 - Realocao do poo injetor PI - 020 106,96 Rodada 3 - Fechamento do poo produtor PO - 005 107,97 Rodada 4 - Realocao do poo injetor PI - 019 109,44 Rodada 5 - Abertura do poo produtor PO - 008 123,13 Rodada 6 - Realocao do poo produtor PO - 013 125,05 Rodada 7 - Realocao do poo produtor PO - 013 125,79 Rodada 8 - Realocao do poo produtor PO - 004 127,33 Rodada 9 - Realocao do poo injetor PI - 015 128,09 Rodada 10 - Realocao do poo injetor PI - 016 129,08 Rodada 11 - Realocao do poo produtor PO - 008 130,63 Rodada 12 - Realocao do poo produtor PO - 013 132,02 Rodada 13 - Realocao do poo injetor PI - 020 132,81 Rodada 14 - Realocao do poo injetor PI - 019 133,77 Rodada 15 - Realocao do poo injetor PI - 009 134,71 Rodada 16 - Realocao do poo produtor PO - 004 134,73 Rodada 17 - Realocao do poo injetor PI - 019 134,69 Modelo Otimizado 134,69 Incremento [%] 30,01 FR [%] 18,46 22,73 24,00 23,62 23,95 25,07 25,16 25,24 25,37 25,41 25,44 25,55 25,58 25,72 25,95 26,10 26,08 26,06 26,06

Modelo Representativo 6. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

17 9 26

151

Otimizao do Modelo Representativo 7.

VPL [milhes US$] Modelo Inicial 150,45 Rodada 1 - Fechamento do poo injetor PI - 016 155,36 Rodada 2 - Realocao do poo injetor PI - 020 156,77 Rodada 3 - Realocao do poo injetor PI - 019 157,45 Rodada 4 - Abertura do poo produtor PO - 007 164,86 Rodada 5 - Realocao do poo produtor PO - 005 164,87 Rodada 6 - Realocao do poo produtor PO - 013 165,37 Rodada 7 - Realocao do poo injetor PI - 020 166,16 Rodada 8 - Realocao do poo injetor PI - 019 166,39 Rodada 9 - Abertura do poo injetor PI - 016 166,62 Rodada 10 - Realocao do poo injetor PI - 019 166,88 Rodada 11 - Realocao do poo produtor PO - 004 167,42 Rodada 12 - Realocao do poo injetor PI - 020 170,49 Rodada 13 - Realocao do poo injetor PI - 019 176,68 Rodada 14 - Antecipar abertura de poos 179,83 Rodada 15 - Fechamento do poo injetor PI - 016 180,22 Modelo Otimizado 180,22 Incremento [%] 16,52 FR [%] 24,58 21,32 21,58 21,71 21,80 21,79 21,80 21,91 22,00 25,02 25,07 25,07 25,62 24,17 24,28 21,32 21,32

Modelo Representativo 7. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

15 19 34

152

Otimizao do Modelo Representativo 8.

VPL [milhes US$] FR [%] Modelo Inicial 156,99 34,20 Rodada 1 - Abertura do poo injetor PI - 015 189,97 44,48 Rodada 2 - Troca na abertura dos poos injetores PI - 016 e PI - 009 205,66 46,44 Rodada 3 - Realocao do poo produtor PO - 005 205,75 46,46 Modelo Otimizado 205,75 46,46 Incremento [%] 23,70

Modelo Representativo 8. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas Otimizao do Modelo Representativo 9.

3 17 20

VPL [milhes US$] Modelo Inicial 218,06 Rodada 1 - Abertura do poo injetor PI - 015 271,30 Rodada 2 - Abertura do poo injetor PI - 017 291,75 Rodada 3 - Realocao do poo produtor PO - 005 293,05 Modelo Otimizado 293,05 Incremento [%] 25,59

FR [%] 26,07 34,45 39,03 39,17 39,17

Modelo Representativo 9. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

3 15 18

153

Otimizao do Modelo Representativo 10.

VPL [milhes US$] Modelo Inicial 24,99 Rodada 1 - Fechamento do poo injetor PI - 016 36,97 Rodada 2 - Realocao do poo injetor PI - 020 38,29 Rodada 3 - Realocao do poo injetor PI - 019 38,88 Rodada 4 - Realocao do poo produtor PO - 005 39,36 Rodada 5 - Realocao do poo injetor PI - 020 38,29 Rodada 6 - Realocao do poo injetor PI - 019 39,88 Rodada 7 - Realocao do poo produtor PO - 004 41,77 Rodada 8 - Realocao do poo injetor PI - 020 43,31 Rodada 9 - Fechamento do poo injetor PI - 019 49,35 Rodada 10 - Antecipar abertura de poos 51,44 Modelo Otimizado 51,44 Incremento [%] 51,42 FR [%] 34,63 29,76 30,24 30,41 30,37 30,24 30,50 30,62 31,35 28,94 29,03 29,03

Modelo Representativo 10. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas Otimizao do Modelo Representativo 11.
Modelo Inicial Rodada 1 - Abertura do poo injetor PI - 015 Rodada 2 - Troca na abertura dos poos injetores PI - 016 e PI - 009 Rodada 3 - Realocao do poo injetor PI - 019 Rodada 4 - Realocao do poo produtor PO - 013 Modelo Otimizado Incremento [%]

10 8 18

VPL [milhes US$] FR [%] 65,29 38,41 81,44 50,41 90,96 51,63 92,24 51,79 93,81 52,07 93,81 52,07 30,40

Modelo Representativo 11. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

4 17 21

154

Otimizao do Modelo Representativo 12.

VPL [milhes US$] Modelo Inicial 227,27 Rodada 1 - Abertura do poo injetor PI - 015 228,53 Rodada 2 - Realocao do poo injetor PI - 019 231,40 Rodada 3 - Realocao do poo injetor PI - 020 232,98 Rodada 4 - Realocao do poo produtor PO - 004 233,86 Rodada 5 - Realocao do poo injetor PI - 019 235,59 Rodada 6 - Realocao do poo produtor PO - 005 235,73 Rodada 7 - Realocao do poo produtor PO - 010 236,87 Rodada 8 - Realocao do poo injetor PI - 019 238,75 Rodada 9 - Realocao do poo produtor PO - 013 239,03 Rodada 10 - Realocao do poo produtor PO - 006 240,55 Rodada 11 - Realocao do poo injetor PI - 016 240,62 Modelo Otimizado 240,62 Incremento [%] 5,55 FR [%] 32,02 36,29 36,77 36,87 37,12 37,39 37,42 37,62 37,95 38,00 38,13 38,12 38,12

Modelo Representativo 12. Nmero de rodadas positivas Nmero de rodadas negativas Nmero total de rodadas

11 13 24

155

Curvas de permeabilidade relativa

leo gua
Curvas de permeabilidade relativa
0.7 0.6 0.5 0.4
Krw Kro Krw Kro Krw Kro

kr
0.3 0.2 0.1 0 0 20 40

60

80

100

Sw [%]

156

Tabelas PVT
Tabela do nvel PVT1

Propriedades do leo Propriedades do gs Fator Volume de Fator Volume Razo de Viscosidade Viscosidade Presso Formao Compressibilidade de Formao do leo do gs Solubilidade do leo do gs [kgf/cm2] [m3 std/m3 std] [m3 res/m3 std] [cp] [kgf/cm2]-1 [m3 res/m3 std] [cp] 35,5 31,8 1,198 2,054 1,62E-04 0,0346 0,0109 41,8 34,7 1,210 1,987 1,62E-04 0,0291 0,0113 49,2 38,0 1,210 1,913 1,62E-04 0,0245 0,0117 59,8 42,8 1,230 1,810 1,62E-04 0,0199 0,0123 68,5 46,9 1,240 1,730 1,62E-04 0,0172 0,0128 80,9 52,5 1,250 1,623 1,62E-04 0,0144 0,0134 93,9 58,5 1,270 1,518 1,62E-04 0,0123 0,0142 105,8 64,1 1,280 1,430 1,62E-04 0,0108 0,0148 122,0 71,6 1,300 1,321 1,62E-04 0,0093 0,0157 133,9 77,2 1,320 1,250 1,62E-04 0,0084 0,0164 148,0 83,8 1,330 1,174 1,62E-04 0,0076 0,0172 166,3 92,5 1,350 1,091 1,62E-04 0,0067 0,0182 193,4 105,4 1,390 1,000 1,62E-04 0,0058 0,0197 213,3 115,0 1,410 0,955 1,62E-04 0,0053 0,0208 219,4 117,6 1,420 0,940 1,62E-04 0,0051 0,0211 229,5 122,2 1,430 0,910 1,62E-04 0,0049 0,0217 248,0 130,8 1,450 0,854 1,62E-04 0,0045 0,0227 283,0 147,2 1,500 0,749 1,62E-04 0,0040 0,0246 316,9 163,1 1,540 0,647 1,62E-04 0,0035 0,0265 352,6 179,8 1,580 0,539 1,62E-04 0,0032 0,0285 360,0 183,2 1,590 0,517 1,62E-04 0,0031 0,0289

157

Tabela do nvel PVT0

Propriedades do leo Propriedades do gs Fator Volume Fator Volume Razo de Viscosidade Viscosidade Compressibilidade de Formao do Presso de Formao do leo do gs Solubilidade gs do leo [kgf/cm2] [m3 std/m3 std] [m3 res/m3 std] [cp] [kgf/cm2]-1 [m3 res/m3 std] [cp] 0,0 12,6 1,149 2,581 1,40E-04 0,0700 0,0109 35,9 32,8 1,199 2,045 1,40E-04 0,0336 0,0112 45,7 38,2 1,211 1,920 1,40E-04 0,0261 0,0118 53,0 42,1 1,220 1,829 1,40E-04 0,0223 0,0125 68,1 50,1 1,238 1,675 1,40E-04 0,0171 0,0136 80,6 60,6 1,262 1,554 1,40E-04 0,0129 0,0146 112,5 72,3 1,291 1,341 1,40E-04 0,0100 0,0153 131,8 81,3 1,314 1,235 1,40E-04 0,0085 0,0163 145,2 87,3 1,330 1,163 1,40E-04 0,0077 0,0171 162,8 94,9 1,351 1,094 1,40E-04 0,0069 0,0178 190,1 106,0 1,384 1,001 1,40E-04 0,0060 0,0188 211,4 113,5 1,408 0,938 1,40E-04 0,0054 0,0200 212,4 118,2 1,410 0,896 1,40E-04 0,0053 0,0212 231,6 127,3 1,433 0,808 1,40E-04 0,0049 0,0222 249,8 136,0 1,455 0,724 1,40E-04 0,0045 0,0231 250,1 136,1 1,455 0,723 1,40E-04 0,0045 0,0231 265,5 143,5 1,474 0,652 1,40E-04 0,0042 0,0239 274,7 147,9 1,485 0,609 1,40E-04 0,0041 0,0243 282,6 151,6 1,499 0,573 1,40E-04 0,0040 0,0247 292,7 156,5 1,507 0,527 1,40E-04 0,0038 0,0252 305,6 162,6 1,522 0,467 1,40E-04 0,0037 0,0259 318,0 168,5 1,537 0,410 1,40E-04 0,0035 0,0265 347,6 182,6 1,572 0,274 1,40E-04 0,0032 0,0280 360,5 188,8 1,588 0,215 1,40E-04 0,0031 0,0286

158

Tabela do nvel PVT2

Fator Volume Fator Volume Razo de Viscosidade Viscosidade Presso Compressibilidade de Formao de Formao do Solubilidade do leo do gs leo do gs [kgf/cm2] [m3 std/m3 std] [m3 res/m3 std] [cp] [kgf/cm2]-1 [m3 res/m3 std] [cp] 16,0 20,3 1,134 2,380 1,56E-04 0,0753 0,0119 36,2 32,2 1,161 1,950 1,56E-04 0,0321 0,0126 61,0 46,5 1,206 1,670 1,56E-04 0,0185 0,0141 71,4 50,0 1,207 1,600 1,56E-04 0,0154 0,0144 106,5 67,9 1,254 1,320 1,56E-04 0,0101 0,0161 141,7 85,7 1,300 1,320 1,56E-04 0,0075 0,0179 176,8 103,6 1,347 1,320 1,56E-04 0,0060 0,0196 194,4 112,5 1,370 1,310 1,56E-04 0,0055 0,0205 213,3 122,0 1,395 1,300 1,56E-04 0,0050 0,0215 226,1 128,6 1,412 1,290 1,56E-04 0,0047 0,0221 229,6 130,4 1,417 1,290 1,56E-04 0,0046 0,0223 247,2 139,3 1,440 1,270 1,56E-04 0,0043 0,0232 251,1 141,3 1,445 1,270 1,56E-04 0,0042 0,0234 282,3 157,1 1,487 1,250 1,56E-04 0,0037 0,0249 301,1 166,7 1,511 1,240 1,56E-04 0,0035 0,0259 317,5 175,0 1,533 1,220 1,56E-04 0,0033 0,0267 324,4 178,5 1,542 1,220 1,56E-04 0,0032 0,0270 351,1 192,0 1,578 1,200 1,56E-04 0,0030 0,0284 360,0 196,6 1,589 1,190 1,56E-04 0,0029 0,0288

159