Professional Documents
Culture Documents
Dissertao
de
mestrado
apresentada
ao
Programa de Ps-graduao em Engenharia de Produo, COPPE, da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessrios obteno do ttulo de Mestre em Engenharia de Produo.
Orientador:
Prof.
Virglio
Jos
Martins
DISSERTAO ALBERTO
SUBMETIDA COIMBRA DA
AO DE
CORPO
DOCENTE E
DO
INSTITUTO DE DE A
LUIZ
PS-GRADUAO
ENGENHARIA JANEIRO
(COPPE) PARTE
UNIVERSIDADE REQUISITOS
FEDERAL
COMO
DOS
NECESSRIOS
Fuller, Daniel Barry Vieira Um simulador de renarias de petrleo/Daniel Barry Vieira Fuller. Rio de Janeiro: UFRJ/COPPE, 2009. XIII, 101 p. il.: 29,7 cm. Orientador: Virglio Jos Martins Ferreira Filho Dissertao (mestrado) UFRJ/COPPE/Programa de Engenharia de Produo, 2009. Referncias Bibliogrcas: p. 80-82. 1. Simulao. 2. Renaria. 3. Petrleo. 4. Tanque. 5. Armazenamento. I. Ferreira Filho, Virglio Jos Martins. II. Universidade Federal do Rio de Janeiro, COPPE, Programa de Engenharia de Produo. III. Ttulo.
iii
Dedicatria
Esse trabalho dedicado memria de Cynira de Moura Vieira, minha av, que sempre me incentivou a procurar maneiras mais simples e econmicas de alcanar objetivos.
iv
Agradecimentos
Gostaria de agradecer minha famlia, especialmente minha a me Cinira e minha esposa Patrcia, pelo incentivo, pelo apoio e pela tolerncia durante o curso que culminou neste trabalho. Gostaria de agradecer tambm a todos os colegas de trabalho da Petrobras.
De
alguma forma,
todos contriburam para meu desenvolvimento prossional Em especial, gostaria de citar aqueles que
tiveram contribuio direta para este trabalho: Pierre Mendona e Fernando Costa, por me apresentarem ferramentas e livros ligados a programao e Java;
Jos Ricardo Chaves, por indicar o livro de Shannon, uma das principais referncias para este trabalho; Guilherme Barbosa, pela prontido para fornecer explicaes sobre o funcionamento de renarias e pelo apoio na divulgao da simulao pela empresa; e, principalmente, Claudio Limoeiro, que no apenas foi o maior responsvel pelo desenvolvimento e divulgao do modelo atualmente em uso, do qual muitas idias foram adaptadas ao SimTaR, como tambm sempre me deu todo o apoio para desenvolver meu trabalho na rea de simulao e me fez sentir como parte do time de simulao da Pesop. Outro agradecimento especial para Roberto Iachan, que permitiu e
providenciou as condies necessrias na Petrobras para que eu pudesse cursar o mestrado na COPPE. Finalmente, agradeo aos corpos docente e administrativo do programa de psgraduao em engenharia de produo da COPPE/UFRJ pelo curso. Em especial, ao prof. Virglio Ferreira Filho, pela orientao no desenvolvimento deste trabalho.
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios para a obteno do grau de Mestre em Cincias (M.Sc.)
Abril/2009
O uso de simulao de renarias de petrleo para a anlise de investimentos tem seu valor reconhecido na Petrobras. Tanto que nota-se um aumento na
complexidade e freqncia de seu uso, o que faz necessrio que a modelagem e simulao tornem-se mais geis. O presente trabalho expe o funcionamento
bsico de renarias de petrleo com vistas a simulao, teoria de simulao e a interao entre elas. O resultado nal um conjunto de denies que permite o desenvolvimento de simuladores especcos para renarias de petrleo que permitam que os estudos sejam realizados com mais presteza e sem perda de qualidade. Foi construdo um prottipo para testar as denies atravs de exemplos e comparaes com um modelo atualmente em uso na Petrobras.
vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulllment of the requirements for the degree of Master of Science (M.Sc.)
March/2009
The value of oil renery simulation for investment analysis is well known in
Petrobras. In as much as complexity and frequency of use have been increasing,
the basic workings of oil reneries as far as simulation is concerned, simulation theory and their interaction. The outcome is a set of denitions that supports the development of simulators which are specic for oil reneries and allow the studies to be done more quickly and without loss of quality. A prototype was built to test the denitions through examples and comparisons to the model currently in use in
Petrobras.
vii
Sumrio
1 Introduo 2 Renarias de petrleo
2.1 2.2 2.3 2.4 2.5 2.6 Unidades de converso Unidades de mistura . . . . . . . . . . . . . . . . . . . . . . . . . .
1 3
4 4 4 5 6 6
. . . . . . . . . . . . . . . . . . . . . . . . . . .
3 Simulao
3.1 3.2 Gerao de nmeros pseudo-aleatrios Obteno de valores aleatrios para . . . . . . . . . . . . . . . . . variveis com distribuies
8
9
. . . . . . . . . . . . . . . . . . . . . . . . . . .
11
. . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Simulao de renarias
4.1 Renarias de petrleo . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
38
viii
38 40 40 43
47
47 48 49
50
51 51 52 55 56 57 58 58
63
64 67
8 Concluses Referncias Bibliogrcas A Tabela com valores t de Student B Tabela com valores da normal padro
78 80 83 84
ix
C Gerao de valores descritivos com distribuio triangular pelo mtodo da FDP inversa D Modelo geral de balano de renaria com destilao restrita E Fluxograma do executor da simulao 85 87 92
Lista de Figuras
1.1 O crescimento bidimensional dos projetos de simulao na Petrobras. 1
2.1
. . . . . . . . . . . . . . . . . . . .
16 20 26
ideal.
. . . . . . . . . . . . . . . . . . . . . .
Custo da conana no modelo SARGENT (2007). . . . . . . . . . . . Processo de modelagem com etapas de vericao e validao de SARGENT (2007). . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
4.1 4.2
38
gura
armazenagem e movimentao.
. . . . . . . . . . . . . . . . . . . . .
40
Tabela-resumo dos dados de entrada do modelo de simulao proposto. 56 Fluxograma do relgio da simulao. . . . . . . . . . . . . . . . . . . 61 62 62
Tela do SimTaR capturada durante a simulao. . . . . . . . . . . . . Hierarquia de herana (JOINES e ROBERTS, 1998). . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65 68 69
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94 95 96
xi
Fluxograma do mtodo Libera atividade. . . . . . . . . . . . . . . . . Fluxograma do mtodo Confere certicao. Fluxograma do mtodo Confere certicao. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97 98 99
xii
Lista de Tabelas
3.1 Exemplo de valores obtidos pelo algoritmo 3.5. . . . . . . . . . . . . . 20
Resultados do exemplo 1. . . . . . . . . . . . . . . . . . . . . . . . . . Receitas do exemplo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . Demandas dos produtos no exemplo 2. Vazes mximas no exemplo 2. . . . . . . . . . . . . . . . . .
73 74 74 74 74 75 76 76 77 77
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Entradas e sadas do exemplo 2. . . . . . . . . . . . . . . . . . . . . . Proposta melhorada de tancagem no exemplo 2. . . . . . . . . . . . . Resultados do exemplo 2 pelo ProModel. . . . . . . . . . . . . . . . . Resultados do exemplo 2 pelo SimTaR. . . . . . . . . . . . . . . . . . .
A.1
Valores da distribuio
de Student com
graus de liberdade 83
(SHANNON, 1975). . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.1
84
xiii
Captulo 1 Introduo
patente, dentro da PETROBRAS, a obteno de bons resultados com o uso de tcnicas de simulao de renarias de petrleo na avaliao de operao e de investimentos nessas plantas industriais; sobretudo no que se refere a parques de tancagem. Tais conquistas incentivam o uso cada vez mais freqente dessas tcnicas e em projetos de complexidade sempre maior. Esse crescimento bidimensional dos
projetos, mostrado na gura 1.1, aumenta a carga de trabalho demandada das pessoas envolvidas.
Esse aumento gerou a inteno de se criar uma ferramenta que permitisse construir os modelos de forma mais rpida, aliment-lo com dados de forma simples com o mnimo de pr-processamento e obter relatrios padronizados para anlise, automatizando processos repetitivos que atualmente consomem muito tempo. Nesta dissertao, pretende-se desenvolver os fundamentos necessrios criao de uma ferramenta capaz de cumprir tais objetivos. Para tanto, o captulo 2 mostrar as caractersticas de renarias de petrleo relevantes a esse trabalho. O captulo 3 discorrer sobre simulao, suas tcnicas e caractersticas. No captulo 6.8, os tipos de linguagens computacionais que
poderiam ser utilizados sero discutidos, destacando-se as caractersticas que os tornam bons ou maus candidatos construo da ferramenta proposta e concluindo que linguagens de programao so mais adequadas e, dessas, a linguagem Java a preferida. O captulo 4 cria um ponte entre os captulos anteriores e dene
o problema de simulao de tancagem de renarias. Os captulos 5 e 6 mostram, respectivamente, o mtodo de simulao atualmente usado e o mtodo proposto por esse trabalho. No captulo 7, far-se- uma comparao, atravs de exemplos, entre resultados obtidos com a ferramenta atualmente em uso e resultados obtidos com um prottipo desenvolvido sobre os conceitos descritos nesse trabalho. O captulo 8 apresentar as concluses.
produtos.
Considerando o objetivo deste captulo, os equipamentos de uma renaria podem ser considerados agrupados em unidades com funes especcas que podem ser classicadas em trs grupos:
unidades de converso;
unidades de mistura; e
unidades de destilao.
Durante todo o processo do reno, enquanto os produtos no esto em alguma unidade, eles precisam ser armazenados em tanques de construo especializada, cujas capacidade e quantidade so as principais variveis analisadas pelos
Segue-se agora detalhando os grupos de unidades presentes em renarias; sempre tendo em vista as caractersticas relevantes aos estudos por simulao, que so o foco deste trabalho.
de uma renaria; deseja-se sempre manter essa medida a maior possvel. Por isso, evita-se que o volume de produtos enviado por uma destilao seja reduzido durante a operao de uma renaria. Outra caracterstica relevante de uma destilao que, normalmente, no h muita liberdade para se modicar as propores dos produtos gerados, ou seja, no se pode gerar um produto sem que os outros tambm sejam gerados, a menos que que a composio dos produtos de entrada e conguraes da unidade sejam alteradas.
2.4 Tanques
So recipientes para armazenamento de produtos. So, em geral, dedicados a apenas um tipo de produto intermedirio ou derivado; podendo petrleos de tipos diferentes compartilhar um conjunto de tanques, desde que as segregaes necessrias sejam mantidas, isto , petrleos com caractersticas especcas que precisem ser usados separadamente devem ser mantidos separados. importante notar que o uxo de produtos atravs dos sistemas da renaria ininterrupto; com os novos recebimentos de produto anteriores.
empurrando
os produtos
diferentes correntes de produtos, facilitando e, em alguns casos, viabilizando o uxo harmonioso da produo. No entanto, para serem ecazes, os tanques devem existir em quantidade e capacidade adequada. Suas propriedades incluem sua capacidade e uma lista dos produtos que podem armazenar. Deve-se notar que a capacidade de um tanque pode ser dividade
em vrias faixas, dentre as quais, as principais so Lastro, Capacidade til subdividida em Estoque de Segurana, Estoque e Espao de Trabalho e Espao de Segurana e parte superior no utilizvel (RIACH et al., 1970). A gura
2.1, adaptada de RIACH et al. (1970), mostra um esquema de um tanque e suas subdivises. Essa separao lgica e no fsica, ou seja, no h compartimentos no-comunicantes dentro de tanques.
2.6 Produtos
So os diferentes leos movimentados nas renarias. podem ser classicados em seis tipos: Para ns de simulao,
petrleos,
matrias-primas;
matrias-primas,
destilao;
que
so
produzidos
na
renaria
atravs
de
unidades
de
externos,
intermedirios,
nais,
bivalentes,
Captulo 3 Simulao
De acordo com SHANNON (1975), simulao o processo de modelar um sistema real e conduzir experimentos com esse modelo para compreender o comportamento do sistema ou para avaliar vrias estratgias para a operao do sistema. Ainda
segundo o mesmo autor, tal processo uma metodologia experimental aplicada que busca:
3. usar essas teorias para prever o comportamento futuro, ou seja, como o sistema reage a mudanas nele ou em seu mtodo de operao.
Simulao pode ser aplicada em vrias reas de conhecimento, mas no uma "panacia nem uma bola de cristal" (CHWIF e MEDINA, 2006); preciso que se conhea suas propriedades para entender suas vantagens e limitaes e determinar se simulao mesmo o melhor mtodo para responder as questes levantadas. O conhecimento de quais questes se deseja responder tambm essencial; mesmo que elas mudem, ou novas questes surjam, um conjunto inicial delas norteia o desenvolvimento do modelo desde o princpio. Sob o ponto de vista prtico, um modelo composto por diversos elementos que interagem entre si atravs de regras, funes e restries e representa um sistema,
que poderia ser uma la, uma central telefnica ou uma rede de computadores, mas, neste trabalho, ser uma renaria de petrleo. Os modelos podem ser determinsticos ou seja, dadas as mesmas condies para uma interao entre os elementos do modelo, o efeito obtido sempre o mesmo ou estocsticos, em que o efeito varia mesmo que as condies para a interao sejam as mesmas. No entanto, deve-se ressaltar que as variaes observadas em
modelos estocsticos seguem regras estatsticas e obedecem restries. Nesse trabalho, o enfoque ser em modelos estocsticos, pois renarias sofrem inuncias de parmetros com graus de incerteza, como previses mercadolgicas, por exemplo. Para se construir modelos estocsticos, necessrio que se seja capaz de gerar nmeros pseudo-aleatrios que possam ser transformados em sries de distribuio estatstica conhecida. Esses valores controlam o comportamento dos modelos
estocsticos e o que ocorre com os elementos de simulao de acordo com as regras que ditam suas reaes a determinadas condies. Um modelo de simulao estocstica precisa ser executado um determinado nmero de vezes com os mesmos parmetros de entrada, mas com sementes de gerao de nmeros pseudo-aleatrios diferentes para que se possa obter dados de sada com uma preciso adequada a um nvel de conana estatstica escolhido. Cada execuo dessas chamada se- experimento. Aps um experimento, os dados de sada devem ser analisados em busca das respostas s dvidas que se deseja dirimir e podem indicar novos experimentos, ou seja, novos conjuntos de parmetros de entrada.
replicao
a aleatoriedade sejam comprovadamente de boa qualidade. Os nmeros so gerados em computadores por algoritmos conhecidos, portanto
h,
pseudo -aleatrios.
nmeros aleatrios, estar-se-, na verdade, referindo-se a nmeros pseudo-aleatrios. Um gerador de nmeros aleatrios, para ser considerado de boa qualidade, deve possuir as seguintes propriedades :
[0; 1]1 ;
Ter repetibilidade;
Ter perodo longo o suciente, ou seja, no deve ser necessrio obter mais nmeros de um gerador do que a quantidade que ele prov antes de comear a repetir uma seqncia.
O gerador combinado proposto por L'ECUYER (1986) apresenta as caractersticas desejadas e denido pelo algoritmo 3.1.
Algoritmo 3.1:
s1,i = (40 692 s1,i1 ) mod 2 147 483 399; s2,i = (40 014 s2,i1 ) mod 2 147 483 563; si = (s1,i + s2,i 2) mod 2 147 483 562; Ui =
Onde
s1,0
s2,0
so as sementes,
Ui
mod
discutvel se os extremos do intervalo so abertos ou fechados. O gerador de L'Ecuyer mostrado no algoritmo 3.1 gera valores no intervalo aberto (0; 1). Em geral, isso no um problema, mas, s vezes, como na seo 3.2.2, necessrio levar isso em conta.
10
3.2 Obteno de valores aleatrios para variveis com distribuies estatsticas denidas
Os eventos de um sistema podem ocorrer de acordo com vrias distribuies estatsticas e os modelos devem ser capazes de controlar as ocorrncias em funo dessas distribuies. Mesmo depois que se denem as distribuies a serem
aplicadas, resta o problema de gerar valores para variveis aleatrias que sigam as distribuies. Isso feito a partir dos nmeros pseudo-aleatrios gerados atravs de transformaes e algoritmos, exemplos dos quais so apresentados a seguir.
e um limite superior
b,
U = r (b a) + a,
(3.1)
em que
e um limite superior
b,
Ud
Ud = r (1 + b a) + a,
(3.2)
em que
(1 + b a),
(0; 1),
[a; b].
11
3.2.3 Normal
A distribuio normal uma distribuio centrada em uma mdia caudas cuja forma dada por um desvio
e com duas
deste tipo no to simples quanto nos casos anteriores, mas SHANNON (1975) apresenta a variao de Marsaglia e Bray para o mtodo de Box e Muller, resumido no algoritmo 3.2.
variveis aleatrias normais com variao de Marsaglia e Bray. dois nmeros pseudo-aleatrios
rn {1; 2}
Vn = 1 + 2 rn ; 2 S= Vn ; if S 1 then
else
r1
r2 ;
Nn = Vn
return Nn
2ln S ; S
SHANNON (1975) estima que aproximadamente 21% dos pares de nmeros aleatrios inseridos no algoritmo 3.2 so descartados, ou seja, resultam em O algoritmo 3.2 resulta em valores para uma varivel valores para uma varivel
S 1.
X N (0, 1).
Se deseja-se
Y N (, ),
Y = + X .
(3.3)
3.2.4 Poisson
Essa distribuio discreta, usada freqentemente para representar a quantidade de ocorrncias de eventos, parametrizada por uma mdia
SHANNON (1975)
indica o mtodo de Tocher para gerar valores com essa distribuio. Esse mtodo est representado no algoritmo 3.3.
12
Algoritmo 3.3:
s = 1;
aleatrias de poisson a = e ;
while s a do
s = s ri , onde ri return P = i;
so nmeros aleatrios e
so nmeros naturais;
3.2.5 Exponencial
Essa distribuio freqentemente usada para representar o intervalo entre ocorrncias de eventos independentes. valores Possui um parmetro
chamado mdia e
E = ln r,
(3.4)
em que
um nmero aleatrio.
3.2.6 Triangular
Essa distribuio muito til quando se lida com sistemas que ainda no foram construdos ou experimentados ou sobre os quais no se possui informaes histricas sucientes para inferir a distribuio. Ela possui apenas trs parmetros de fcil
estimao: o mnimo (a), o mximo (b) e a moda, o valor mais provvel, (m). Valores com essa distribuio podem ser obtidos pela frmula
T =
a + b
r (b m) (b a) (1 r) (b m) (b a)
se se
r r>
ma ba ma ba
(3.5)
onde
um nmero aleatrio.
3.2.7 Weibull
Essa distribuio possui dois parmetros: a mdia
k.
k = 1,
13
quando
k = 3, 4. W
Valores
W =
ln r,
(3.6)
em que
um nmero aleatrio.
3.2.8 Gama
Essa distribuio possui dois parmetros: um de posio,
e outro de escala,
.
Valores com essa distribuio podem ser obtidos com a formula
G =
ln
i=1
ri
(3.7)
em que
ri
so nmeros aleatrios.
3.3 Obteno de valores descritivos para variveis com distribuies estatsticas denidas
A amostragem descritiva um mtodo de obteno de valores amostrais com um paradigma diferente do mtodo aleatrio. Esse mtodo segrega duas fontes de aleatoriedade das amostras: os valores e a seqncia dos valores. SALIBY (1989) mostra que a inuncia da seqncia dos
valores relativamente muito maior que a inuncia de quais valores pertencem amostra. Assim, na amostragem descritiva, no lugar de se procurar gerar valores
aleatrios em uma seqncia aleatria, dene-se uma amostra que abrange todo o domnio da funo de distribuio e restringe-se a aleatoriedade seqncia desses valores. O principal benefcio obtido a reduo da varincia amostral, o que resulta em menor necessidade de replicaes.
14
Uma considerao a ser feita aplicao prtica do mtodo que, quando as distribuies e seus parmetros so denidos a partir de dados histricos ou expectativas de projetos, pode haver dvidas sobre a qualidade de tais dados e, portanto, a varincia extra do mtodo no descritivo, justamente devida s variaes nos valores, pode permitir a observao de um espectro maior de situaes; o que pode ser vantajoso, mesmo a um custo computacional maior. No escopo deste trabalho, considera-se que ambos os mtodos tm vantagens e desvantagens e seus resultados sero comparados nos testes nais. Outra considerao sobre a aplicabilidade da amostragem descritiva a
a priori.
Em alguns casos,
isso pode ser um empecilho, mas, para o caso de simulao de renarias como formulado neste trabalho, isso no uma diculdade, uma vez que a determinao dos tamanhos necessrios das amostras simples, dado o horizonte de simulao denido antes do incio da simulao. As amostras descritivas so obtidas em duas etapas. Na primeira, que depende do tipo de distribuio que se deseja obter, so gerados os valores, na segunda, geral, embaralha-se os valores obtidos. A seguir, apresenta-se um mtodo para embaralhamento e mtodos para
funcionam dividindo o domnio das amostras em sees de mesma rea sob as funes de distribuio de probabilidade e suas implementaes numricas acabam por fornecer valores ordenados crescente ou decrescentemente. Portanto, o mtodo de embaralhamento da amostra essencial para a aplicao da amostragem descritiva. SALIBY (1989) apresenta um mtodo de embaralhamento que toma o vetor ordenado e troca valores de posio antes mesmo que a simulao seja iniciada.
15
No entanto, visando a implementao do simulador na linguagem computacional escolhida (ver captulo 6.8) e seguindo sugesto do prprio autor na obra citada, procurou-se aqui um mtodo alternativo. No lugar de se embaralhar a amostra inicialmente, posterga-se essa tarefa at que algum valor seja necessrio na simulao. Nesse momento, aplica-se o algoritmo 3.4 para se obter o valor a ser usado. Nesse algoritmo,
amostrais descritivos na ordem em que eles forem criados do qual sorteada uma posio
S.
Algoritmo 3.4:
posio aleatria.
Input:
um nmero pseudo-aleatrio ;
p = r |S| v = sp ; S = S \ sp ; return v
r = 1,
verdade.
no intervalo
(0; 1).
A gura 3.1 mostra um exemplo de aplicao do algoritmo 3.4 para uma amostra descritiva de tamanho
5.
4, 1, 5, 3
2.
16
e um limite superior
un =
(b a) (n + 0, 5) + a, N
(3.8)
onde
n {0.. (N 1)}
priori.
en = ln
(n + 0, 5) , N
(3.9)
onde
n {0.. (N 1)}
priori.
17
Algoritmo
para
obteno
de
amostra
descritiva
com
a, m
T Ti
ti ; ts ;
Ts Qi
elementos so
qi;
Qs
elementos so
qs;
*/
/* Define o nmero de faixas inferiores (abaixo da moda, inclusive) e superiores (acima da moda, inclusive). pertence a ambas as faixas.
fi f fs f
(ma) ; (ba) (bm) ; (ba)
A moda */
*/
A equao que dene a quantidade total de faixas para o histograma foi sugerida por CHWIF e MEDINA (2006). A idia por trs do algoritmo 3.5 substituir a FDP inversa pelo que se pode chamar de
histograma inverso :
ideal,
dos dados, e gera-se tantas cpias dos valores centrais quantas forem indicadas pelo
18
/* Define os valores e seus pesos nas faixas da banda inferior. */ ti = a; 0 k = 1; for k < fi + 1 do ti = ti + si ; k1 k pi = pi + 0.9 ; k1 k fi k = k + 1; /* Define os valores e seus pesos nas faixas da banda superior. */ s t0 = a; k = 1; for k < fs +1 do ts = ts + ss ; k k1 ps = ps + 0.9 ; k k1 fs k = k + 1; /* Define a quantidade de cada valor na banda inferior. */ k = 0; for k < fi + 1 do N fi pi i k qk i ; K pk k = k + 1; /* Define a quantidade de cada valor na banda superior. */ k = 0; for k < fs + 1 do N fs ps s k qk s ; K pk k = k + 1; /* Monta e informa o conjunto amostral. */ k = 0; for k < fi + 1 do j = 0; i for j < qk do T = T {ti }; k j = j + 1; k = k + 1; k = 0; for k < fs + 1 do j = 0; s for j < qk do T = T {ts }; k j = j + 1; k = k + 1; return T
19
ideal
N = 500
e
a = 10, b = 40
m = 20.
ideal.
Tabela 3.1: Exemplo de valores obtidos pelo algoritmo 3.5. Valor Quantidade
10, 0 8
13, 3 30
16, 7 53
20, 0 163
23, 3 74
26, 7 61
30, 0 48
33, 3 35
36, 7 22
40, 0 9
Deve-se ressaltar que o mtodo apresentado possui pelo menos dois pontos negativos: devido aos arredondamentos, o tamanho da amostra obtida pode exceder o tamanho pretendido e observou-se experimentalmente um pequeno desvio da mdia obtida da mdia terica. Apesar desses pontos, considera-se que a vantagem de que os parmetros (especialmente a moda) so sempre mantidos primordial para a distribuio triangular.
20
simulao e surgem em diferentes modelos. Essa seo lista alguns desses elementos, cujas aplicaes sero exemplicadas na seo 3.5.
Relgio de simulao
classica em de incremento xo (normalmente uma unidade de tempo) ou de incremento varivel. Quando o incremento varivel, ele determinado
Entidades
comum dizer que algumas entidades caminham pelo modelo, pois suas mudanas de estado podem incluir entradas e sadas do escopo do modelo, alm de interao com outros elementos que so permanentes.
Atividades
um estado de um subconjunto dos elementos do modelo que mantido por uma durao determinstica ou estocasticamente denida; a durao controlada pelo valor do relgio.
Eventos
de um ou mais elementos condicionadas ocorrncia do evento que se apresenta. Uma propriedade que pode ser usada o tempo do relgio, que pode disparar mudanas de estado por ter atingido ou ultrapassado um determinado valor.
Processos
Sua principal
caracterstica seu efeito seqencial: a efetivao de uma mudana depende da concluso de uma anterior e a concluso de uma mudana age como um evento que dispara suas conseqncias.
21
Propriedades
Momento
ou
instante
Estado
um dado momento.
problemas matemticos complexos que surgem do clculo integral (CHWIF e MEDINA, 2006).
os modos como os elementos denidos anteriormente so controlados e relacionados de forma a aproximar o comportamento do sistema. Alm de manter essa coerncia entre sistema e modelo, usar a estratgia adequada pode ajudar a diminuir o consumo de capacidade computacional durante a execuo do modelo. Dependendo do sistema sendo modelado, principalmente da quantidade de entidades e da repetitividade de atividades, uma estratgia ou outra pode ser mais
22
software
3.5.2.1
Estratgia de eventos
Por essa estratgia, so denidos pontos-chave no tempo em que estados devem ser alterados e novos pontos-chave devem ser includos na lista de atividades. O
relgio no precisa ter um incremento xo, pois os estados s so alterados quando um ponto-chave atingido; assim, o relgio pode sempre ser avanado at o prximo ponto-chave sem que nada de interesse seja perdido. Essa estratgia economiza processamento computacional por no precisar fazer vericaes em momentos em que se sabe que no haver mudana de estado. Por outro lado, ela consome bastante memria para manter a lista de eventos futuros e algum processamento para que o prximo ponto-chave seja encontrado na lista. Pode-se ter vantagens quando o sistema modelado possui atividades de seqncia bem denida e no possui preempo entre as atividades, pois isso reduz o custo computacional de ordenao das listas .
3.5.2.2
Estratgia de atividades
As condies para incio e trmino das atividades so denidas. Tais condies so estados cuja ocorrncia provoca o incio ou trmino de uma atividade e pode incluir ou no um tempo do relgio de simulao. A cada incremento constante do relgio, o estado do modelo vericado e alterado de acordo com instrues e alteraes das atividades. Essa estratgia, de certa forma, possui demandas opostas s da estratgia de eventos, pois consome processamento computacional vericando o estado do sistema
preempo, necessria uma dupla classicao: por tempo e por prioridade. Contudo, se o sistema opera com preempo, tal caracterstica e a conseqente necessidade de classicao das atividades da mesma hora por prioridade no modelo so inescapveis, qualquer que seja a estratgia adotada, portanto no h diferena em termos de computao.
23
2 Havendo
em momentos em que talvez no haja nenhuma mudana de estado a ser feita, mas a lista de atividades que podem ser realizadas geralmente menor do que a lista de atividades que sero efetivamente realizadas (j que as atividades podem ser repetidas). Alm disso, no necessrio ordenar a lista de atividades por momento em que ocorrero (mas veja nota 2 na pgina precedente).
3.5.2.3
Estratgia de processos
As seqncias
so executadas concomitantemente e vericam se devem ou podem prosseguir a cada incremento constante do relgio, o que depende da compatibilidade das mudanas de estado necessrias com o estado atual. Ou seja, se dois processos precisam fazer alteraes na mesma propriedade, diz-se eles concorrem por um recurso e o modelo deve decidir qual processo seguir enquanto o outro espera at poder ser efetivado.
3.5.2.4
O mtodo das trs fases mistura caractersticas dos outros, buscando o melhor de cada um deles. Entretanto, desvantagens tambm se acumulam, como a manuteno de listas de eventos e a impossibilidade de se poder dispensar o incremento constante do relgio. A vantagem poder-se modelar sistemas mais complexos com maior
Passo A:
se encerrar.
Passo B: Passo C:
de acordo.
Ou seja, existem aes controladas como atividades, cuja ocorrncia depende do estado do modelo, e aes controladas como eventos, que certamente ocorrem quando
24
um ponto-chave atingido. Essa composio de mtodos permite a construo de modelos mais complexos do que as estratgias simples permitiriam, pois facilita o entendimento do modelo, com as fases sendo de fcil identicao e interpretao. O custo dessas vantagens pago por uma complexidade computacional maior.
contnuo possui uma chegada ou sada de itens discretos. o caso de embalamento de lquidos, que uem continuamente at serem colocados em garrafas, que so elementos discretos.
500 m3 /h (caracterstica de
simulao continua), uma atividade (segunda a denio de simulao discreta) de um modelo pseudo-contnuo poderia ser movimentar um quantum de passo de
500 m3
em um
1h
do quantum a acompanhar.
25
3.6 Modelagem
A modelagem o processo de construo e vericao do modelo do sistema. Como o modelo uma abstrao do sistema real, preciso denir-se o que essencial para atingir os objetivos da simulao, e, portanto, deve fazer parte do modelo, e o que pode ser subtrado. Durante a modelagem, deve-se considerar a relao entre o grau de conana
do modelo o custo de se obter essa conana (demanda de pessoas, tempo, obteno de dados, etc) e o valor percebido pelo usurio (qualidade da resposta em relao importncia do problema). Tal relao ilustrada por SARGENT (2007) atravs da gura 3.3, em que nota-se que h um ponto a partir do qual o custo cresce mais acentuadamente que o valor percebido, desestimulando esforos adicionais.
importante que o modelo esteja correto e completo, portanto necessrio vericar e validar a modelagem usada.
no sentido da seo 3.7.1 e no sentido de que o tomador de deciso deve acreditar nas indicaes do modelo.
3 Conana
26
software
do modelo de simulao a
ser desenvolvido que descreva o que deve ser desenvolvido, descrevendo os objetivos, entradas, sadas, contedo, premissas e simplicaes do modelo". O modelo conceitual uma abstrao onde est identicado o que importante no sistema e, portanto, deve ser includo no modelo (CHWIF e MEDINA, 2006). O modo como cada elemento deve ser representado e seu modo de interagir com outros elementos devem ser contemplados na elaborao do modelo conceitual. Para representar um modelo conceitual, podem ser usadas guras, uxogramas e textos.
Linguagem de programao,
as
linguagens
genricas
para
programao
de
Linguagem de simulao,
Simulador,
Esses tipos de linguagem esto em ordem decrescente de exibilidade e em ordem crescente de simplicidade de desenvolvimento. O objetivo deste trabalho inclui
27
de petrleo.
Para tanto, considera-se que vantajoso contar-se com a maior Optar-se-, portanto, por uma linguagem de programao
exibilidade possvel.
para o desenvolvimento do simulador, mas uma discusso mais detalhada sobre isso ser deferida at o captulo 6.8.
resultados so uma base convel para o estudo do sistema proposto e, como tal, no devem deixar de ser realizadas. SARGENT (2007) usa o diagrama da gura 3.4 para mostrar o processo de vericao de modelos. Ele tambm cita vrias tcnicas para validao, entre elas:
Observao da animao;
Teste degenerado;
Validao de eventos;
Anlise de sensibilidade.
3.6.4 Certicao
Em sistemas crticos, pode ser necessrio no s passar por vericao e validao, mas atingir um certo nvel predeterminado de garantias que forneam segurana ao usurio do modelo e do sistema. Tais nveis predeterminados podem
28
Figura 3.4:
SARGENT (2007).
ser denidos em normas e padres por diferentes organizaes e modelos que atinjam esses nveis so ditos certicados. O termo em ingls
accreditation
acreditao,
modelo pelo usurio, algo que j deve ter sido conseguido na validao.
29
3.7.1 Conana
Tratando-se de eventos estatsticos, as mdias obtidas ao m de todas as replicaes so estimativas dos valores reais. preciso, ento, denir-se um intervalo que contm a mdia verdadeira de cada varivel com um certo grau de conana. SHANNON (1975), considerando que pode-se assumir normalidade sada, prope duas formas de clculo para esse intervalo:
nos dados de
< 30),
os limites
X tN 1, 1 2
s . N 1
(3.10)
30),
os
X Z . N
Em ambos os casos,
(3.11)
a mdia amostral
x e N
tamanho da amostra.
tN 1, 1 2
N 1
graus de liberdade e
grau de conana
(1 ),
computacional estatstico.
s Z
1 N
xX
1 N 1
xX
intervalo de conana.
teorema do limite central requer, para que se possa assumir normalidade, que as variveis aleatrias sejam identicamente distribudas e independentes. Executando-se o mesmo modelo vrias vezes (vrias replicaes), as duas condies podem ser atendidas, pois o modelo , intrinsecamente, uma funo de distribuio e, sendo as sementes independentes, os resultados das replicaes so tambm independentes.
4O
30
3.7.2 Preciso
A preciso nada mais que o tamanho de metade do intervalo de conana, cujo clculo est explicado na seo 3.7.1. importante notar que, caso deseje-se obter maior preciso dos dados de sada, ou seja, um intervalo de conana menor, sem que se reduza o grau de conana
(1 ),
replicaes (CHWIF e MEDINA, 2006). Como ser discutido na seo 3.7.5, procurar uma preciso muito alta pode exigir um nmero de replicaes alto demais para ser ser vantajoso (conforme ilustra a gura 3.3). Outra limitao que, normalmente, o modelo fornece um conjunto de variveis de sada e no apenas uma. Ao invs de se procurar aumentar a preciso de todas as variveis, mais eciente selecionar apenas as mais importantes para as decises que pretende-se tomar, conforme implica CHAN (2006).
simulao diferente, no h um mtodo nico que se aplique a qualquer situao, sendo necessrio abordar cada problema especicamente. A gura 3.3 deve estar
31
loja com horrio de abertura e fechamento, por exemplo , a condio inicial (loja vazia) claramente conhecida. Em um caso assim, o modelo pode iniciar congurado para a mesma condio (vazio, no exemplo) e representar adequadamente o sistema. Contudo, quando pretende-se modelar um sistema de funcionamento contnuo e/ou complexo (uma renaria de petrleo, por exemplo) no se pode, em geral, conhecer o estado inicial do modelo. Devido ao perodo inicial fortemente inuenciado pelo estado inicial do modelo, o resultado da simulao pode ser afetado por uma condio que no pode ocorrer (ou tem uma probabilidade desprezvel) na prtica. Conseqentemente, as concluses tiradas do modelo podem no corresponder realidade. CHWIF e MEDINA (2006) chamam o perodo da simulao fortemente
regime transitrio,
o perodo em que
regime permanente
1. Simular por um longo perodo de modo que o nmero de amostras em perodo transitrio seja desprezvel em relao ao total;
2. Congurar
estado
inicial
do
modelo
de
acordo
com
uma
condio
As trs solues so tambm apresentadas e analisadas por SHANNON (1975). A soluo 1 possui a desvantagem de poder precisar de perodos de simulao muito grandes em modelos complexos, o que demanda tempos computacionais muito longos. A soluo 2 pouco prtica, pois depende de conhecer-se precisamente um estado do sistema em algum tempo e reproduzi-lo como estado inicial do modelo. Tais dados podem ser de difcil obteno em sistemas complexos e, no caso de pretender-se modelar situaes futuras (aps a instalao de novos equipamentos, por exemplo), tais dados simplesmente no existem.
32
de simulao cujos resultados so desprezados no cmputo nal da simulao. Isso faz com que o estado inicial contabilizado seja uma situao possvel (segundo o modelo) e j no regime permanente. Mas mesmo essa alternativa tem seus pro-
blemas: alm de consumir tempo computacional que no gera resultados durante o perodo de aquecimento, no h um mtodo perfeito para denir o ponto em que o regime passa de transitrio para permanente, j que a varincia, parmetro mais comumente usado para avaliar o comportamento do modelo, pode apresentar comportamentos anmalos (SHANNON, 1975).
replicao, pois ela representa apenas uma das possibilidades do sistema modelado e pode nem se aproximar do caso mais provvel. SHANNON (1975) prope cinco perguntas que se deve fazer ao denir-se o tamanho da amostra de um experimento:
33
A partir da, o autor mostra que, com base no teorema do limite central, os dados de sada de simulaes costumam ser normalmente distribudos (pergunta 5) e pode-se estimar o nmero de replicaes
por
N=
Z1 1
2
d2
(3.12)
onde
Z1 1
2
tabela B.1 e representa os riscos que se est disposto a correr atravs do grau de conana (pergunta 3),
d a preciso desejada, ou seja, qual a variao que deseja-se desvio padro, ou seja, a variedade esperada
UL
LL)
so conhecidos, faz-se
=
considerando-se que possveis.
U L LL , 4
(3.13)
, pois isso signica 4 apenas que espera-se que a estimativa esteja no intervalo , e transformar 4 d =
2
a equao 3.12 em
N = 16 Z 1+
2
(3.14)
quando possvel,
desconhecido de uma amostra piloto e, a partir da, calcular Essa alternativa reforada por CHWIF e
34
MEDINA (2006), que preferem aumentar o nmero de replicaes paulatinamente, at atingir a preciso desejada. Quanto pergunta 4, deve-se lembrar que cada replicao resultado de nmeros pseudo-aleatrios com independncia presumida, logo as amostras podem tambm ser consideradas independentes. necessrio frisar que a determinao do nmero de replicaes importante, pois h um compromisso entre a qualidade (preciso, conana) dos dados e os recursos (tempo computacional, principalmente) necessrios para atingi-la. Considerando que a qualidade da simulao est intimamente ligada varincia dos dados de sada e que os recursos realizam um trabalho para reduzir a varincia, SHANNON (1975) mostra uma denio de ecincia de uma simulao ao estimar um parmetro qualitativo como
Ecincia
1 , varincia trabalho
(3.15)
que implica que buscar reduzir uma varincia s vlido se o trabalho necessrio no for excessivo (tal conceito semelhante ao apresentado por SARGENT (2007) na gura 3.3). Tendo em mente essa relao e lembrando que uma simulao costuma fornecer vrios dados de sada diferentes, selecionar o maior nmero de replicaes
dentre os que podem ser calculados pode no ser a soluo mais eciente. Pode-se, ento, selecionar as variveis de sada mais importantes, para as quais
deve ser
como
35
Cada uma dessas perguntas pode dar origem a um ou mais cenrios que devem ser comparados e interpretados em busca de solues para as questes levantadas.
3.8.1 Cenrios
Um
cenrio
uma verso do modelo bsico em que alterado algum parmetro Aps a execuo
de um conjunto inicial de cenrios, pode-se denir quais outros so necessrios ou responder-se as questes de interesse.
3.8.2 Comparao
Na comparao entre cenrios, importante considerar a natureza estatstica da simulao. CHWIF e MEDINA (2006) recomendam a utilizao do teste comparao de dois resultados com o mesmo nmero de replicaes. Neste teste, constri-se um intervalo de conana para a mdia das diferenas entre os valores das amostras (resultados das replicaes), denidas como
para a
di = x1i x2i ,
(3.16)
em que
xci
i-sima
amostra do cenrio
c.
Se o intervalo no contiver
Se o intervalo no contiver
Se o intervalo contiver
36
como a construo ou no de tanques, seus tamanhos e alocao entre os produtos tm impactos nanceiros signicativos tanto no prprio empreendimento quanto na manuteno posterior. Portanto, para a quem cabe decidir sobre tais questes,
til uma ferramenta que permita avaliar os resultados de novos arranjos produtivos a um custo signicativamente inferior ao custo de uma m deciso. Como renarias so sistemas complexos e suscetveis a variaes estocsticas, modelos de simulao apresentam-se como ferramentas adequadas. A tcnica de simulao para avaliao de parques de tancagem j usada, com sucesso, h vrios anos na Petrobras (exemplos recentes: BARBOSA,
TITO, FULLER e LIMOEIRO (2007), BARBOSA, FULLER, LIMOEIRO, TITO e RANGEL (2007) e LIMOEIRO et al. (2007)), mas percebe-se oportunidades de melhoria das ferramentas de desenvolvimento de modelos atualmente em uso. o objetivo deste trabalho descrever os fundamentos para o desenvolvimento de novas ferramentas para criao, uso e interpretao de resultados dos modelos. Para tanto, neste captulo, descreve-se o problema geral de simulao de renarias.
37
Essas operaes e algumas outras so esquematicamente mostradas na gura 4.1, em que as setas indicam a movimentao de produtos.
38
entanto, os empreendimentos implementados em renarias, normalmente, buscam melhorar apenas determinadas reas da produo. Isso signica que no necessrio estudar toda a renaria como um sistema nico; pode-se separ-la em sub-sistemas que no se inuenciam signicativamente. Um modo comum de separar os elementos de interesse da renaria dos
Pode-se,
por exemplo,
estudar a produo de gasolina sem se considerar produtos e equipamentos usados exclusivamente na produo de leo combustvel. Outro ponto de separao a destilao, que separa o que ocorre dentro da renaria do seu suprimento. Estudos de suprimento de petrleo procuram garantir a disponibilidade de petrleo em tipo e quantidade adequadas ao consumo. J
os estudos de armazenagem e movimentao de derivados buscam garantir o bom funcionamento da renaria mesmo nas condies mais estressantes, ou seja, quando ela funciona a plena capacidade, o que requer a disponibilidade de petrleo. Sendo assim, estudos de suprimento de petrleo devem, em geral, ser feitos separadamente de estudos de armazenagem e movimentao de derivados, pois, caso contrrio, os problemas de um processo podem afetar o outro sem que seja simples identicar a qual deles deve-se atribuir a causa das diculdades. Portanto, no estudo de armazenagem e movimentao de derivados, o escopo pode ser limitado e os elementos da gura 4.1 que no so relevantes a um estudo de escopo limitado podem ser esmaecidos, formando a gura 4.2, em que se destaca o que relevante. Neste trabalho, o escopo a ser usado na modelagem o da gura 4.2, mas isso no impede que, no futuro, os conceitos sejam evoludos para abranger tambm problemas de suprimento de petrleo. Na verdade, o modelo atualmente em uso
39
Figura
4.2:
Destaque
de
elementos
da
gura
4.1
relevantes
estudos
de
armazenagem e movimentao.
Passo A:
Passo B:
Os eventos so estados que marcam condies de interesse e podem disparar atividades, como na estratgia por eventos.
40
Passo C:
Vale ressaltar que intercalar aes do Passo B com aes do Passo C pode ser uma estratgia computacionalmente interessante. Por exemplo, um tanque estar vazio um evento; se uma atividade esvazia um tanque, ela j pode, em sua implementao, tomar providncias necessrias, como marcar o tanque como vazio, evitando que uma rotina separada tenha que vericar todos os tanques depois. No modelo geral de renarias, os elementos descritos a seguir podem ser denidos.
4.4.2 Entidades
Produtos: Tanques: Recursos:
ver seo 2.6.
existindo em quantidade inferior s atividades, fazendo com que elas devam concorrer entre si para poderem ser efetivadas ou
impondo um teto para o nvel em que uma atividade pode ser efetivada (vazo mxima em uma transferncia, por exemplo).
41
Deve-se notar que, embora tanques possam ser includos na denio de recursos, eles tm caractersticas prprias sucientes para serem tratados como uma categoria separada.
4.4.3 Atividades
Recebimento:
atividades que inserem produtos no modelo sem considerar sua origem. Podem prover matrias-primas oriundas de destilaes ou
recebimentos de produtos externos. Devem ser capazes de garantir regras de fornecimento casado, como acontece em destilaes, caso no qual um produto no pode ser fornecido sem os demais.
Destilao:
internas da renaria, necessrio haver pelo menos uma atividade de destilao capaz de representar as unidades denidas na seo 2.3. Recebem um ou vrios produtos e expedem vrios produtos.
Mistura:
Converso:
Transferncia: Expedio:
4.4.4 Eventos
Fim de certicao:
depois do procedimento de vericao da qualidade do produto, deve-se vericar se a qualidade est adequada (isso pode ser um sorteio aleatrio na simulao). Se a qualidade estiver adequada, deve-se
42
noticar as atividades que podem precisar do tanque que ele est disponvel. Se no, deve-se proceder com alguma atividade de ajuste do produto.
quanto
um
tanque
atinge
algum
nvel-
quando um tanque atinge sua capacidade mxima, ele deve iniciar o procedimento de certicao ou, se ele no for necessrio, noticar as atividades que podem precisar dele que ele est disponvel ou, pelo menos, ser marcado como disponvel se alguma atividade o requisitar. Tambm deve-se interromper a atividade que encheu o tanque.
quando um tanque atinge sua capacidade mnima, ele deve noticar as atividades que podem precisar dele que ele est disponvel ou, pelo menos, ser marcado como disponvel se alguma atividade o requisitar. Tambm deve-se interromper a atividade que esvaziou o tanque.
quando um tanque atinge seu nvel de espao de segurana, ele deve vericar se h falta do produto que ele contm. Em caso armativo, ele pode iniciar o procedimento de certicao ou, se ele no for necessrio, noticar as atividades que podem precisar dele que ele est disponvel. Tambm deve-se interromper a atividade que est enchendo o tanque.
quando um tanque atinge seu nvel de estoque de segurana, ele deve vericar se h falta de espao para recebimento ou produo do produto que ele contm. Em caso armativo, ele pode noticar as atividades que podem precisar dele que ele est disponvel. Tambm deve-se interromper a atividade que est esvaziando o tanque.
43
pior cenrio, ms escolhas podem levar o modelo a apresentar resultados inaceitveis para sistemas que no tm problemas, o que impede sua validao. Por outro lado, no mundo real, no se dispe de informao perfeita sobre as variveis aleatrias do sistema, portanto deve-se evitar que decises sejam tomadas com base em dados disponveis no modelo que no poderiam ser conhecida na realidade. A priorizao de atividades depende, ento, de que se conhea uma forma de se classicar as atividades por prioridade. A prioridade pode ser denida considerandose:
metas de execuo das atividades, tanto por tempo quanto por volume de produo; ou
possvel que cada atividade tenha sua prpria maneira de denir a prioridade, mas imprescindvel que atividades de tipos diferentes sejam capazes de concorrer por recursos. Para tanto, importante que as prioridades tenham ordens de grandeza semelhantes, pelo menos ao compararem elementos dois-a-dois.
44
Vf = Vi + Ve + P,
(4.1)
onde
Vi
Vf
volume total de todos os produtos fornecidos pela renaria, os produtos ainda em estoque e
Ve
o volume de todos
so as perdas.
destilao
restrita,
a destilao que produz apenas os produtos que fazem parte do modelo, Para tanto, pode-se
desconsiderar as perdas, assumindo-se que a diferena causada ocorre na parte do sistema real omitida no modelo. Outro ponto a se considerar que, para os horizontes de simulao usualmente considerados (ver seo 3.7.3), o volume da capacidade de estoques da renaria , em geral, muito menor que o volume total processado por ela. Essas duas simplicaes permitem transformar a equao 4.1 em:
Vf = Vi .
(4.2)
Depois de determinada a produo necessria, no se pode obter um produto de uma destilao sem que os demais tambm sejam gerados. Isso signica que, mesmo no havendo necessidade imediata de um produto, ele deve ser gerado em conjunto com os demais e armazenado para ser consumido posteriormente. Tais valores de produo da destilao restrita e recebimentos externos podem ser obtidos de diversas maneiras, dependendo da complexidade do sistema modelado. O modelo do apndice D uma maneira geral de se obter os valores necessrios para
45
os parmetros, mas pode ser excessivamente complexo em alguns casos ou falhar em casos excepcionais.
46
variveis de sada, cujas declaraes e clculos devem ser revistos a cada novo estudo e j atingiram a casa de centenas de variveis em alguns estudos. A manuteno do cdigo desenvolvido no ProModel tambm apresenta
diculdades e, s vezes, correes j realizadas em um estudo no so replicadas em outros, o que desdobra cdigos paralelos a serem mantidos.
47
tc
mtodo simplicado para encontrar uma soluo boa o suciente para ser usada na simulao, que apresentado a seguir, tendo sido originalmente publicada em FULLER e FERREIRA FILHO (2008), onde h uma comparao dos resultados de simulao obtidos com dados de entrada calculados das duas formas. Os resultados mostraram-se compatveis. O procedimento simplicado xa variveis at que os valores para os parmetros possam ser encontrados por um conjunto de problemas de programao linear ou sistemas de equaes. Tal procedimento depende de se conhecer e considerar
caractersticas de cada sistema modelado, dicultando a construo de um mtodo padronizado que possa ser reaproveitado de um estudo para outro. Usando-se a
1. Assumir
com
(0 ; 1]. tc
a partir de condies operacionais da renaria e
do que produzido em cada campanha (sem ainda considerar as vazes que no so relacionadas a seus limites mximos) e coloc-los em uma forma que obedea a equao (D.7). Esse passo requer um grande esforo na construo de planilhas complexas que no podem ser reutilizadas em novos projetos, uma vez que cada renaria tem suas prprias condies operacionais.
48
tc
vb , qm
ne .
signicar a soluo de problemas de programao linear; em outros, basta resolver sistemas de equaes ou at mesmo apenas equaes independentes.
kc,a
No se pode garantir que a soluo encontrada por esse mtodo seja a melhor depois das duas primeiras simplicaes. tipo O passo (1) signica acrescentar restries do
vc,b = vc ,b
momento de construir a planilha que modela a renaria que podem transformar as restries da equao (D.8) em igualdades (com ou sem a introduo de constantes multiplicativas), o que tambm torna o problema mais restrito.
necessrio para cada atividade, exige clculos no-triviais. J se observou, em alguns casos, que os valores do ndice de criticidade no so de ordem compatvel e favorecem certos tipos de operao independentemente da situao operacional do modelo, o que indesejvel, como explicado na seo 4.5.1.
49
A nova soluo propem a arquitetura de um programa computacional capaz de reproduzir adequadamente os bons resultados obtidos com a soluo atual e ainda atingir os objetivos supracitados. Nesse captulo, essa arquitetura ser apresentada e, no captulo 7, usar-se- um prottipo que segue as denies da nova proposta para test-la atravs de dois exemplos.
50
produtos;
Alm desses dados principais, h outros que sero detalhados para cada elemento na seo 6.3.
foi atingido um critrio de parada denido, como um tempo mximo de execuo ou um volume de produo por bateladas.
Em qualquer outro caso, a atividade possui inrcia e no pode ser interrompida, mesmo que haja outras atividades que teriam maior prioridade. Quando h mais de uma atividade parada (no sendo executada) competindo por recursos e tanques disponveis para comear a executar, elas so classicadas
51
colocando-se frente as atividades que esto percentualmente mais distantes de atender sua meta mensal. Dessa forma, todas as atividades tm chances de
serem efetivadas e o so aproximadamente de forma equilibrada e sem se alternar excessivamente. Essa uniformizao do critrio de priorizao um novo paradigma com relao ao modelo atualmente em uso e traz vantagens, como ser visto na seo 6.4.
6.3.1 Produtos
As entidades que so movidas pelo modelo, sendo os alvos das atividades. Devese indicar se o produto requer certicao ou no, o tempo necessrio para a certicao, se for o caso, e qual a probabilidade de que o produto no atenda os requisitos de qualidade aps a certicao.
6.3.2 Recursos
Recursos so entidades que limitam as atividades. H dois tipos de restrio:
Restrio de capacidade:
Pode ser, por exemplo, um duto de transferncia de produtos que no permite vazes superiores a uma capacidade informada.
52
Restrio de disponibilidade:
atividade simplesmente por no estar disponvel para ser usado. Um recurso pode estar indisponvel por estar em uso por outra atividade, por ter falhado ou simplesmente por possuir horrios restritos de funcionamento.
Na
implementao para testes, por limitao de escopo, considera-se apenas restries de vazo mxima, mas outros tipos podem ser implementados, se necessrios.
6.3.4 Tanques
Tanques so os elementos que armazenam os estoques da renaria. Eles devem ter um nvel mnimo e um nvel mximo informados, bem como nveis de espao e estoque de segurana (ver gura 2.1). Deve-se tambm informar qual ou quais
produtos podem ser armazenados no tanque e pode-se ter uma opo para alterar a regra de certicao dos produtos que estiverem no tanque.
53
atividade. Os critrios de parada tambm podem envolver a reserva de apenas um ou mais tanques para a atividade.
6.3.6 Atividades
As atividades, em geral, devem ter denidas as receitas de consumo e de formao, uma lista de tanques de onde os produtos a consumir podem ser obtidos, uma lista de tanques onde os produtos formados podem ser armazenados, uma lista de conjuntos de recursos e um critrio de parada. Alm dessas propriedades gerais, as atividades podem ser reunidas em trs grupos com propriedades prprias:
Operaes:
seo 4.4.3 so agrupadas nesse elemento capaz de realizar transferncias de vrios tanques para outros vrios tanques. Sua denio deve conter quais
produtos so consumidos e quais so formados e suas respectivas participaes, resultando em uma expresso semelhante a: consumindo-se 50% de produto A e 50% de produto B, obtm-se 100% de produto C. No h limite para quantos produtos so consumidos nem quantos so obtidos nem necessrio, j que trata-se do modelo restrito de renarias (ver seo 4.2), que as somas sejam 100%.
Demandas:
Cada demanda
atende a necessidade mercadolgica de um produto e os valores a serem entregues so obtidos a partir de uma varivel aleatria cuja mdia usada para denio do balano volumtrico.
Ofertas:
tais
so os recebimentos, conforme denio da seo 4.4.3. como a indicao de que algum conjunto de entregas
independentemente (destilao o caso mais patente), so dados de entrada, mas os volumes entregues e as vazes so denidas pelo balano volumtrico.
54
objetivo o mesmo do modelo apresentado no apndice D e do mtodo mostrado na seo 5.2, mas sua forma e as informaes obtidas so voltadas para o que necessrio para o modelo de simulao proposto. Por exemplo, no necessrio que os tempos de execuo de cada atividade (tc no apndice D) sejam obtidos, pois esses valores no so considerados no modelo de simulao proposto, diferentemente do modelo de simulao atualmente em uso, que utiliza esses dados para priorizar atividades. A gura 6.1 mostra esquematicamente como as informaes de entrada (matriz
e vetor
D)
atividade (vetor
X)
R X = D.
(6.1)
1,
indicando que aquela Oferta fornece o produto relativo quela Se mais que uma Oferta fornecer o mesmo
0,
indicando o contrrio.
produto, deve-se denir a contribuio de cada uma delas. Essa contribuio pode ser denida por restries fsicas da renaria (um limite mximo de destilao que exige que o restante da necessidade seja atendia por um recebimento externo, por exemplo) ou mesmo ser objeto de estudo do modelo, gerando cenrios com diferentes distribuies. Na partio de operaes, cada coluna representa uma operao da renaria e os valores podem ser quaisquer, com valores negativos representando o consumo do produto relativo quela linha e valores positivos, a formao do
55
produto. A menos que se deseje representar alguma condio especca do sistema modelado (tais como perdas de volumes por inecincia ou o aumento de volume por recebimentos de catalisadores ou outros produtos fora do escopo, por exemplo), os valores de cada coluna dessa partio devem somar
0.
A implementao do prottipo torna transparente a contabilizao do balano volumtrico, pois o usurio no tem acesso matriz mostrada na gura 6.1, que obtida pelo simulador a partir dos elementos do modelo. Isso simplica a entrada de dados, pois o usurio preocupa-se em descrever as atividades da renaria sendo modelada e o programa assume a responsabilidade de complementar as informaes indiretas.
prottipo construdo, os mtodos apresentados foram implementados e os nmeros aleatrios so obtidos do gerador de nmeros aleatrios de L'Ecuyer, descrito na seo 3.1.
56
6.6.1 Relgio
Alm de controlar o tempo de execuo, o relgio deve poder controlar a sazonalidade, o regime de simulao (aquecimento ou normal) e serve de referncia para as condies de parada e registro de dados. O relgio possui um incremento xo de uma hora. A gura 6.2 mostra o uxograma do relgio de simulao implementado. A
implementao, suciente para os testes deste trabalho, pode ser ampliada para abranger, por exemplo, hora do dia, o que poderia ser til para recursos cujas regras so denidas com base nisso.
6.6.2 Executor
O executor da simulao, conhecido no prottipo implementado como
SimRun,
o mtodo responsvel por, sob a orientao do relgio, atualizar os estados dos elementos do sistema. A cada passo do relgio (uma hora de simulao), o executor verica o que deve ocorrer no modelo e solicita s atividades que devem funcionar que realizem suas tarefas. O uxograma do executor conforme implementado no prottipo encontra-se no apndice E.
57
durante a simulao.
6.8 Implementao
Como mostrado na seo 3.6.2, pode-se denir trs tipos de linguagem a serem selecionadas para a construo de modelos de simulao. Simuladores e linguagens de simulao possuem a vantagem de ser, em geral, simples de utilizar, j que os elementos de simulao so pr-denidos, mas, como destacam JOINES e ROBERTS (1998), a extenso desses elementos para a formao de outros pode ser limitada ou at impossvel , pois a maioria dos produtores de
software
novos comportamentos. Nesse trabalho, busca-se determinar e construir os elementos especcos s necessidades de simulao de renarias de petrleo sem que se dependa de qualquer estrutura de
softwares
editados com liberdade. Isso indica que o uso de uma linguagem de programao genrica mais adequado. Em linguagens de programao, pode-se encontrar dois estilos principais: o
procedural e o orientado a objetos. JOINES e ROBERTS (1998) sugerem orientao a objetos como uma alternativa superior ao estilo procedural de programao devido
58
Os
conceitos de orientao a objetos so compatveis com os conceitos introduzidos na seo 3.5 e, portanto, ambas estruturas sero consideradas quando o modelo for descrito. interessante lembrar, ao justicar a escolha do estilo orientado a objetos, que a primeira linguagem computacional a seguir esse estilo foi a SIMULA, justamente uma linguagem originalmente desenvolvida e implementada para
simulao (Wikipedia, 2009). Para o desenvolvimento do prottipo de testes, optar-se- pela linguagem Java, da Sun Microsystems.
extenses baseadas em objetos so formadas por composio de objetos existentes, o que pode gerar restries de uso, algo que deseja-se evitar neste trabalho.
Quando h orientao a objetos, pode-se criar novos tipos de elementos que herdam caractersticas e comportamentos similares s de objetos existentes, mas aos quais se pode acrescentar informaes ou redenir comportamentos. A gura 6.4, adaptada de JOINES e ROBERTS (1998), mostra um exemplo de herana a partir do objeto Evento, que possui um Tempo e um Tipo de evento e mtodos para denir uma de suas propriedades e processar o evento. Vale
ressaltar que o modo de processar cada evento lho pode ser diferente ou repetir o
59
6.8.2 Java
Java uma linguagem de programao orientada a objetos desenvolvida e mantida pela Sun Microsystems. FUKUNARI et al. (2001) mencionam a introduo de Java no m de 1995 e destacam que a linguagem chamou a ateno por ser independente de plataforma e poder ser usada em
internet.
6.8.4 Performance
Os modelos construdos com o prottipo do SimTaR apresentaram tempos de execuo muito bons, conforme ser mostrado no captulo 7, mas consumiram muita memria, o que limitou um pouco a complexidade dos modelos e o nmero de replicaes executado. Tal limitao, no entanto, decorreu de falhas na
60
61
62
SimTaR
com a soluo atual baseada em ProModel, simulou-se dois exemplos de renarias. O primeiro, mais simples, para vericar a aderncia bsica e realizar calibraes necessrias e o segundo, mais complexo, quando o primeiro mostrou bons resultados. A descrio de cada exemplo apresentada de forma similar realizao dos estudos reais: iniciando com uma descrio geral do sistema, seguida do modelo conceitual, que uma organizao sistemtica da descrio, e dos parmetros relevantes a serem avaliados. Sero montados cenrios de avaliao e cada exemplo ser concludo com uma comparao entre os resultados obtidos por cada modo de simulao. As simulaes foram todas executadas em um computador com processador AMD Athlon(tm) 64 X2 Dual Core 4200+ de 2.20 GHz, 4 GB de memria RAM e sistema operacional Windows Vista Business SP1 de 32 bits. A verso do ProModel usada foi a
6.0.20
1.6.0_11
da Sun.
63
de mercado.
2.400 m3 /dia,
2.000 m3 /dia
3.000 m3 /dia.
O produto retirado para o mercado atravs de um ponto de carregamento com capacidade para uma vazo mxima de
Cada produto tem disponveis, inicialmente, dois tanques para ser armazenado; cada um com capacidade til de
10.000 m3 .
2.200 m3 /dia.
64
modelo
conceitual
do
sistema
est
representado
esquematicamente
na
gura 7.1.
7.1.2 Parmetros
Do modelo conceitual, j se pode denir os principais parmetros do modelo, tais como nmero e tamanho de tanques, varivel aleatria da demanda, vazes dos recursos e receitas dos produtos. Com essas informaes, j possvel calcular os valores dependentes (volumes ofertados de Produto 1 e Produto 2 por dia, por exemplo) de forma a garantir o balano volumtrico. No caso, necessrio ofertar
1.440m3 /dia
de Produto 1 e
960m3 /dia
de Produto 2.
7.1.3 Cenrios
A m de testar a coerncia dos resultados, dois cenrios sero avaliados: primeiro usa a tancagem proposta de dois tanques de o
10.000 m3
no segundo, acrescenta-se um tanque em cada parque, totalizando trs tanques por parque.
65
regras de operao no informadas na descrio do modelo. O desenvolvimento no SimTaR foi feito em aproximadamente dez minutos e no envolveu o acesso do usurio a nenhuma linha de cdigo; apenas interface grca do programa. Em linha com o objetivo 1 do captulo 6, o SimTaR no exige a
manipulao de regras de operao que no sejam fornecidas pelos operadores do sistema. A tabela 7.1 mostra os cenrios executados, os tempos de execuo de dez replicaes, que j resultaram em uma preciso adequada para esse modelo simples, e os resultados obtidos. Os valores entre parnteses so os desvios-padres . Dos resultados, pode-se observar o seguinte:
Em geral, os desvios-padres foram muito pequenos, especialmente no modelo em ProModel. Isso pode ser atribudo simplicidade do sistema modelado.
Os resultados do SimTaR com e sem amostragem descritiva so muito parecidos, no se podendo avali-los adequadamente.
Todos os simuladores indicaram, como se esperava, que os cenrios com trs tanques so melhores que os com apenas dois tanques, o que mostra que, apesar dos resultados estatisticamente diferentes (mas muito prximos), as concluses obtidas foram as mesmas.
valores que aparecem como 0 ou 0, 0 so, na verdade, apenas pequenos demais para a preciso usada.
1 Os
66
condencialidade empresarial.
avaliao dos resultados de simulao, j que a comparao a ser feita entre dois modelos baseados nas mesmas premissas. O sistema produz dois tipos de diesel, chamados, neste trabalho, Diesel Q1 e Diesel Q2. A renaria possui uma unidade de destilao que fornece quatro tipos de produto: Diesel A, Diesel B, Nafta e Querosene. Destes produtos, o Diesel A
precisa ser misturado com o Querosene e passar por uma unidade de tratamento chamada HDT (Hidrotratadora), passando a ser chamado Diesel HDT, antes de ser usado para formar produtos nais. A renaria tambm deve receber e usar um
produto chamado Diesel Externo para o qual no h mercado, mas que produzido por outras renarias. Com essas matrias-primas e produtos intermedirios, possvel formar os dois produtos fornecidos pelo sistema de acordo com as receitas da tabela 7.2. Os produtos Diesel Q1 e Diesel Q2 tm, cada um, dois mercados: um local e um remoto cujas demandas esto na tabela 7.3, onde
D U ()
D T ()
denotam,
respectivamente, a distribuio uniforme e a distribuio triangular. Cada modal possui sua prpria vazo mxima, conforme mostra a tabela 7.4. A proposta inicial de tancagem est na tabela 7.5. Demanda total Capacidade total O Giro denido como
5, 0
Alm do giro, obviamente foram consideradas diversas outras variveis no projeto, mas essa voltar a ser discutida adiante. Com essas informaes, o objetivo avaliar a tancagem e vazes propostas para garantir sua capacidade de atender o funcionamento do sistema e, se necessrio, propor alternativas.
67
Os recursos necessrios so um para cada fornecimento de produtos (que so dois), um para cada modal de sada dos produtos (quatro) e o HDT. Durante a montagem do modelo conceitual, pde-se perceber que a vazo mxima de atendimento da demanda remota de Diesel Q2 no suciente para atender os picos de demanda, que atingem
9.440 m3 /dia
393 m3 /h.
7.2.2 Parmetros
Os parmetros do modelo que devem ser avaliados so a quantidade de tanques em cada um dos oito parques e a vazo de atendimento da demanda remota de Diesel Q2. Como os tamanhos dos tanques so denidos considerando-se questes geogrcas do local da renaria, no h liberdade para alter-los. Da mesma forma, no se pode aumentar a quantidade total de tanques. Os volumes dirios de fornecimento necessrios para garantir o balano
68
volumtrico esto na tabela 7.6, onde pode-se perceber que os totais de entrada e sada so iguais. O Diesel HDT, como produto intermedirio, formado e consumido dentro do sistema; no constituindo, portanto, nem entrada nem sada. Esses valores foram obtidos atravs do clculo do balano volumtrico
implementado no prottipo do SimTaR segundo a seo 6.4. A gura 7.3 mostra as matrizes montadas (comparar com a gura 6.1).
1 0 0 0 0 0, 6 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 6.240 2.200 0 0, 4 0 0 3.700 0 0, 2 0, 2 0 4.160 0, 4 0 0 0 X = = X = . 2.200 0 , 04 0 0 10.400 1 0 0, 8 0 0 1 0 5.000 5.500 0 0 1 13.000 13.000
(7.1)
Destaca-se
que,
no
SimTaR,
montagem
soluo
do
sistema
foram
69
7.2.3 Cenrios
Os cenrios deste exemplo so baseados nas quantidades de tanques e na vazo de fornecimento do Diesel Q2 para sua demanda remota. Como a execuo do
cenrio base, denido com todos os valores propostos, no apresentou resultados satisfatrios, o primeiro passo foi adequar a tancagem. O conjunto de tanques
obtido est na tabela 7.7, onde nota-se que a meta para o giro da tancagem de Diesel A foi excedida, mas, como no se podia alterar o tamanho dos tanques e o Diesel A s fornecido para o HDT, cujos tanques j excediam o giro de
5, 0
estipulado, considerou-se que o investimento para a construo de mais um tanque no seria vantajoso. J com os resultados melhores, testou-se o aumento da vazo de entrega para
400 m3 /dia.
Com isso, foram executados trs cenrios, cujos resultados com dez
7.2.4.1
Viso geral
Os resultados obtidos pelos modelos so, em geral, bastante prximos, com os do SimTaR ligeiramente inferiores aos do modelo feito em ProModel, com ocupaes mais baixas e estoques maiores. Apesar disso, os modelos atendem
aproximadamente as mesmas parcelas dos mercados (certamente os estoques maiores do SimTaR o ajudem nesse caso). Uma constatao importante para a avaliao da equivalncia dos modelos que os efeitos das mudanas de um cenrio para outro so consistentes. cenrio Por exemplo, ambos os modelos apresentam resultados melhores no que no cenrio
Tancagem melhor
Tancagem inicial
70
priorizao de operaes, era esperado que os resultados pudessem no ser iguais. Os resultados do SimTaR serem inferiores pode ser explicado pelo fato de que a ferramenta no permite muitos ajustes de regras operacionais (ver seo 7.1.4) que o modelo em ProModel no apenas permite, mas exige. Para uma avaliao nal sobre a signicncia dessa diferena, seria necessrio avaliar os resultados de um sistema real para comparao direta, o que no possvel dentro do escopo deste trabalho.
7.2.4.2
Regras operacionais
A exibilidade extra do modelo em ProModel obtida pelo ajuste de regras operacionais demanda muito tempo para testes de calibrao na construo do modelo, pois os sistemas simulados, em geral, so propostas para o futuro cujas regras no esto bem denidas. A vantagem que o modelo em ProModel permite avaliar impactos de novas regras de operao, identicando melhorias que podem ser obtidas por mudanas em mtodos de operao. Essas regras incluem, por exemplo, opes sobre espaos e estoques de segurana e tamanho de bateladas (cotas-dia) para as retiradas dos produtos. Pode-se, futuramente, avaliar se a incluso de
7.2.4.3
Uso do tempo
O tempo de implementao do modelo no programa atual baseado em ProModel foi de aproximadamente dois dias, incluindo testes de calibrao de regras
operacionais.
o nico ajuste necessrio sendo a denio de um tempo mnimo de execuo das operaes como critrio de parada, o que melhorou os resultados nais em aproximadamente 2%. O tempo de execuo dos modelos pelo SimTaR tambm foi muito menor comparado ao tempo usado pelo ProModel. Os tempos mostrados nas tabelas de resultado so para todas as replicaes. Alm das diferenas de implementao
71
entre os modelos, outro fato que contribui para a diferena entre os tempos que o ProModel executa as replicaes seqencialmente, enquanto o SimTaR dispara as replicaes paralelamente. Por isso, o ProModel precisa de dez vezes o tempo de
uma replicao para executar dez replicaes, enquanto o SimTaR aproveita recursos de computadores com processadores de mltiplos ncleos e cache para precisar de menos de cinco vezes o tempo de uma replicao para executar dez replicaes.
7.2.4.4
Amostragem descritiva
O uso de amostragem descritiva no gerou os resultados esperados de reduo de varincia. Em parte por j serem os desvios baixos, mas talvez principalmente porque a inter-relao entre as demandas , aparentemente, uma fonte de varincia mais forte que a prpria variao de cada demanda. amortecida pela amostragem descritiva. Essa inter-relao no
7.2.4.5
Tancagem inicial,
regras de cada modelo procurando uma forma de atingir os objetivos do modelo (ocupar a destilao e atender o mercado) em uma condio adversa. Quando a
situao normalizada (melhor distribuio de tanques nos outros casos), os estoques encontrados tornam-se muito mais prximos.
72
ProModel
SimTaR
Cenrio
Tempo de simulao
[s]
Ocupao da destilao
73
Mercado atendido
459 75, 3%(0, 0%) 74, 1%(0, 0%) 11.927(0) 7.869(0) 8.553(6) 15.439(0) 10.101(0) 10.692(3) 10.866(45) 9.539(12) 9.797(9) 10.460(3) 15.742(1) 15.006(12)
Tabela 7.2: Receitas do exemplo 2. Unidade Diesel A Diesel B Nafta Querosene Diesel Externo Diesel HDT 40% 40% 80% Diesel HDT 60% 40% 20% 20% Diesel Q1 Diesel Q2
[m3 /dia]
Total mdio 3
Modal
Diesel Q1 Local Diesel Q2 Local Diesel Q1 Remoto Diesel Q2 Remoto Recebimento Diesel Externo
Diesel A Diesel B Nafta Querosene Diesel Externo Diesel HDT Diesel Q1 Diesel Q2
Capacidade 3
Quantidade
[tanque]
3 3 3 4 3 3 3 4
Capacidade total 3
Giro
4, 2 3, 0 5, 0 4, 2 3, 0 7, 0 3, 7 4, 0
74
Produto
Diesel A
75
Necessidade
Totais
6.240
10.400 0
5.500
13.000 18.500
Diesel A Diesel B Nafta Querosene Diesel Externo Diesel HDT Diesel Q1 Diesel Q2 Total
Capacidade 3
Quantidade anterior
Quantidade nova
Giro novo
[tanque]
3 3 3 4 3 3 3 4 26
[tanque]
2 2 4 4 2 3 4 4 25
6, 3 4, 5 3, 8 4, 2 4, 5 7, 0 2, 8 4, 0
Tabela 7.8: Resultados do exemplo 2 pelo ProModel. Programa Cenrio Tempo de simulao Tancagem inicial ProModel Tancagem melhor Maior vazo
[s]
Ocupao da destilao Mercado atendido: Diesel Q1 Diesel Q2 Estoque mdio: 3 Diesel A[m ] 3 Diesel B [m ] 3 Nafta [m ] 3 Querosene [m ] Diesel Externo Diesel Diesel Diesel
933 78, 7%(1, 4%) 78, 1%(0, 9%) 78, 4%(0, 9%) 12.695(137) 6.394(74) 12.076(160) 9.817(362) 17.146(73) 13.511(373) 20.806(274) 38.845(630)
916 97, 4%(0, 7%) 96, 7%(0, 7%) 96, 3%(0, 6%) 14.668(92) 7.383(42) 14.008(313) 11.055(425) 9.057(33) 17.090(1.354) 24.411(210) 52.073(797)
913 97, 3%(0, 6%) 96, 8%(0, 3%) 96, 5%(0, 3%) 14.686(29) 7.364(33) 14.012(196) 10.691(438) 9.045(20) 16.040(667) 24.577(392) 43.400(632)
[m3 ] HDT [m ] 3 Q1 [m ] 3 Q2 [m ]
3
76
Tabela 7.9: Resultados do exemplo 2 pelo SimTaR. Programa Cenrio Tempo de simulao Tancagem inicial SimTaR Tancagem melhor Maior vazo
[s]
Ocupao da destilao Mercado atendido: Diesel Q1 Diesel Q2 Estoque mdio: 3 Diesel A[m ] 3 Diesel B [m ] 3 Nafta [m ] 3 Querosene [m ] Diesel Externo Diesel Diesel Diesel
52 76, 7%(0, 8%) 77, 5%(1, 1%) 77, 3%(0, 9%) 21.584(67) 11.040(51) 11.967(90) 14.620(30) 12.194(375) 21.731(52) 21.271(187) 47.979(92)
58 95, 6%(0, 1%) 96, 6%(0, 1%) 96, 2%(0, 1%) 15.613(36) 7.713(29) 15.380(112) 14.871(1.216) 7.858(13) 23.532(32) 29.648(126) 49.322(151)
63 96, 1%(0, 2%) 97, 1%(0, 2%) 96, 6%(0, 2%) 15.435(71) 7.442(31) 15.334(88) 14.814(1.189) 7.868(10) 23.536(20) 29.713(107) 49.413(85)
[m3 ] 3 HDT [m ] 3 Q1 [m ] 3 Q2 [m ]
Tabela 7.10: Resultados do exemplo 2 pelo SimTaR com amostragem descritiva. Programa Cenrio Tempo de simulao SimTaR com Amostragem Descritiva Tancagem inicial Tancagem melhor Maior vazo
[s]
Ocupao da destilao Mercado atendido: Diesel Q1 Diesel Q2 Estoque mdio: 3 Diesel A[m ] 3 Diesel B [m ] 3 Nafta [m ] 3 Querosene [m ] Diesel Externo Diesel Diesel Diesel
61 77, 5%(0, 8%) 78, 1%(1, 1%) 78, 0%(0, 9%) 21.571(53) 11.026(66) 11.895(103) 14.594(35) 11.999(165) 21.733(40) 21.203(148) 47.989(79)
68 95, 4%(0, 2%) 96, 3%(0, 2%) 95, 9%(0, 2%) 15.611(34) 7.222(27) 15.290(110) 14.984(1.213) 7.867(11) 23.527(20) 29.612(124) 49.283(149)
60 95, 7%(0, 3%) 96, 7%(0, 2%) 96, 3%(0, 2%) 15.515(43) 7.373(45) 15.455(98) 14.482(1.599) 7.863(13) 23.540(11) 29.683(118) 49.374(122)
[m3 ] 3 HDT [m ] 3 Q1 [m ] 3 Q2 [m ]
77
Captulo 8 Concluses
Aps o desenvolvimento do prottipo do SimTaR e obteno dos resultados vistos no captulo 7, pode-se observar que as decises apontadas pelo SimTaR so coerentes com as decises indicadas pelo modelo em ProModel, embora o SimTaR tenha mostrado-se menos sensvel a algumas variaes, como no caso do terceiro cenrio do exemplo 2, que aumentou a vazo de atendimento de uma demanda. Os tempos de elaborao do modelo e de execuo da simulao pelo SimTaR foram substancialmente inferiores. Notou-se tambm uma reduo na quantidade de erros de entrada de informaes e na necessidade de calibrao dos modelos. Em contra-partida, o modelo de armazenamento dos dados de sada implementado no prottipo desenvolvido para esse trabalho foi simples e mostrou-se um vido consumidor de memria de computador, inviabilizando estudos excessivamente complexos ou com muitas replicaes. No entanto, trata-se de um problema de
mtodo de programao que pode ser resolvido por implementaes mais elaboradas. Comparando-se os tempos de modelagem e execuo dos modelos, muito inferiores, acredita-se que, mesmo que alguma performance seja perdida em benefcio da capacidade de armazenar os dados, o uso do SimTaR ainda ser vantajoso. Como h diferenas no funcionamento dos dois programas, especialmente no que se refere seleo de atividades a serem executadas, de se esperar que ocorram resultados diferentes, mas as indicaes dos modelos foram coerentes. Os resultados obtidos pelos foram prximos o suciente para sugerir que seria vlido compar-los
78
diretamente aos de um sistema real. O SimTaR um programa de simulao capaz de atingir seus quatro objetivos denidos no captulo 6, mas ainda precisa de alguns ajustes, de uma validao direta com um sistema real e de uma melhor implementao de seu sistema de armazenamento de dados de sada.
79
Referncias Bibliogrcas
BARBOSA, G., FULLER, D. B., LIMOEIRO, C., TITO, M. e RANGEL, P. F. (2007), Uso de modelo de simulao para avaliar os impactos causados por dutos e novas unidades e produtos no parque de armazenamento de diesel da replan,
in
Anais da Rio Pipeline Conference & Exposition 2007, IBP, Rio de Janeiro, RJ, Brasil.
BARBOSA, G., TITO, M., FULLER, D. B. e LIMOEIRO, C. (2007), Use of simulation model to evaluate the use of vegetable oil in a new rening process for diesel using existing installations, Arizona, U.S.A.
in
CHAN, A. (2006), Simulao aplicada s operaes logsticas de um parque de armazenamento de gasolina de uma renaria de petrleo, Dissertao de mestrado, COPPE/UFRJ.
FUKUNARI, M., CHI, Y.-L. e WOLFE, P. M. (2001), Javabean-based simulation with operational procedure table (OPT),
17(5), 513523.
FULLER, D. B. e FERREIRA FILHO, V. J. M. (2008), Um modelo de otimizao
80
para clculo de parmetros para simulao de renarias de petrleo, Simpsio Brasileiro de Pesquisa Operacional, Joo Pessoa, PB.
in XL SBPO:
Fundamentals of object-oriented
in
eds, Procedings of the 1998 Winter Simulation Conference, IEEE, Washington, D.C., U.S.A., pp. 141149.
in
S. R. J. Wilson, J. Henksen, ed., Procedings of the 1986 Winter Simulation Conference, Washington, DC, pp. 275277.
LIMOEIRO, C., BARBOSA, G., LIMA, M., BEZERRA, D. e FULLER, D. B. (2007), Planejamento de capacidade de tancagem numa renaria de petrleo para atender o projeto de duplicao da unidade de lubricantes usando simulao estocstica,
RIACH, J. P., GALVO, R. D., MESSER, L. e DA SILVA, J. R. M. (1970), Um mtodo matemtico-estatstico para a determinao de estoques e tancagens, Relatrio tcnico, Sindicato Nacional do Comrcio Atacadista de Minrios e Combustveis Minerais, Rio de Janeiro.
Editora
in
S.
G. Henderson, B. Biller, M.-H. Hsieh, J. Shortle, J. D. Tew e R. R. Barton, eds, Procedings of the 2007 Winter Simulation Conference, IEEE, Washington, D.C., U.S.A., pp. 124137.
SHANNON, R. E. (1975),
Wikipedia (2009), Simula wikipedia, the free encyclopedia. [Online; accessed 12-January-2009].
URL:
262483464
82
de Student com
graus de liberdade
(SHANNON, 1975).
p = 1 .
83
z.
84
Apndice C Gerao de valores descritivos com distribuio triangular pelo mtodo da FDP inversa
Desde que se conhea uma boa aproximao para a inversa da funo de distribuio de probabilidades de uma varivel, possvel obter-se valores para ela (SALIBY, 1989). Usando-se esse mtodo, o algoritmo C.1 retorna um conjunto de valores com distribuio triangular. No entanto, mesmo que exista uma moda para esse conjunto de valores, ela no ter, necessariamente, o mesmo valor do parmetro da distribuio. Por considerar-se que, acima de quaisquer outros, os valores dos parmetros das distribuies devam ser respeitados, optou-se pelo mtodo descrito na seo 3.3.4 para gerar os valores descritivos para a distribuio triangular, apesar de terem sido
85
Algoritmo
para
obteno
de
amostra
descritiva
com
a, m
o conjunto amostral;
k = 0;
for k < (N 1) do
t1 = a + t = t1 ;
n(ba)(ma) ; N
if t1 m then else
t=b T = T {t}
(ba)(bm)(N n) ; N
return T
86
Conjuntos:
Campanha (c e produes.
C ):
Matria-prima (m
M ):
Produto intermedirio (i
I ):
primas ou outros produtos intermedirios; podem formar outros novos produtos intermedirios ou nais ou serem vendidos ao mercado.
Produto nal (f
F ):
Produto externo (e
E ):
Conjuntos auxiliares:
87
Produto consumido (a
A = {M I E}):
por ter sido transformado em outro, seja por tratamento ou por mistura.
Produto formado (b
B = {I F }):
do consumo de outro(s).
Parmetros (valores denidos na criao do modelo de simulao e fazem parte da entrada de dados; esse modelo de otimizao no considera aleatoriedades, portanto, sempre que se tratar de uma varivel aleatria, toma-se a mdia):
demanda
Receita [m/m] (Campanha, Produto consumido, Produto formado) (Rc,a,b ): para cada campanha, contm a frao de mistura do produto
b.
Algumas observaes:
Se
Rc,a,b = 1,
trata-se
de
uma
formao
sem
misturas
(um
Se
b
*
na campanha
c.
A
Rc,a,b = 1
b em alguma campanha.
campanha.
Vazo
de
produo
mxima
[m/h]
(Produto
formado)
max (Vc,b ):
volume mximo que a renaria pode produzir de um determinado produto por hora. Refere-se a restries fsicas, como capacidade de e depende da
campanha, porque campanhas diferentes podem formar o mesmo produto por meios diferentes.
Variveis de deciso:
88
Vazo de Destilao [m/h] (Matria-prima) (qm ): vazo de formao dos produtos fornecidos pela destilao.
Vazo de Produo [m/h] (Campanha, Produto formado) (vc,b ): vazo de formao dos produtos por misturas ou tratamentos.
Vazo de Consumo [m/h] (Campanha, Produto consumido) (kc,a ): vazo de consumo dos produtos.
Necessidade [m/ms] (Produto externo) (ne ): volume mensal de produto externo cujo recebimento necessrio.
Vazes de produo [m/h] (p): as menores vazes de produo capazes de atender as demandas da renaria.
Constantes:
Nmero de horas em um ms (H
= 730 [h/ms]).
Funo-objetivo:
MIN p =
C B
vc,b .
(D.1)
Restries:
tc vc,f
C A
Rc,a,f
Df , f F. H
intermedirios
(D.2)
Atendimento
de
demandas
de
produtos
(Produto
89
intermedirio):
tc vc,i
C A
Rc,a,i
= + +
Di + H 1 H (Rc,i,f Df ) +
C F
(D.3)
(Rc,i,i vc,i ) , i I.
C i I
qm =
C
tc
B
(Rc,m,b vc,b ) , m M.
(D.4)
ne = H
(Rc,e,b vc,b ) , e E.
C B
(D.5)
kc,a =
B
(Rc,a,b vc,b ) , c C, a A.
(D.6)
1:
tc = 1.
C
(D.7)
(D.8)
No-negatividade:
tc 0, vc,b 0, kc,a 0, qm 0, ne 0, m M, a A, b B, e E, c C.
(D.9)
90
tc 0, c C
da equao
sendo previstas. Caso encontre-se resultados desse tipo, pode-se revisar as campanhas denidas e optar-se por retir-las ou acrescentar restries que forcem sua incluso, se elas forem realmente obrigatrias.
Outras restries: se alguma renaria possui alguma regra especial que no possa ser modelada pelas restries j apresentadas, ela deve ser includa no modelo. Exemplos comuns so vazes de produo, consumo ou recebimento externo que devem ser iguais para mais de uma campanha ou superar um limite mnimo para existir.
As equaes (D.2), (D.3) e (D.4), respectivamente, garantem que a produo de produtos nais, intermedirios e matrias-primas seja suciente para atender as demandas tanto de mercado quanto internas da renaria (no caso de produtos intermedirios, que podem ser vendidos ou consumidos internamente). A equao (D.5) encontra o volume mensal que deve ser importado pela renaria de cada produto externo. A equao (D.6) mostra os valores a serem consumidos de cada produto em cada campanha, valores imprescindveis ao funcionamento da simulao. A equao (D.7) garante que todo o tempo disponvel usado.
91
H pausa?: Espera:
Confere certicao:
Libera atividade:
92
Corrente
Efetiva a atividade:
Corrente,
efetiva-a.
Esse tempo real congurvel mesmo durante a execuo e ajuda a observar a animao.
93
94
95
96
97
98
99
ndice Remissivo
Atividades, 21 Relgio de simulao, 21 Repetibilidade, 10 Replicao, 9, 33 Cenrio, 35 Crescimento bidimensional, 1
Destilao restrita, 45
SimRun, 57 SimTaR, 63
Intervalo de conana, 30
Java, 59
Nmeros pseudo-aleatrios, 9
100
++FIM++
101