| Summary: | Empresas da indústria de petróleo operam em um mercado altamente competitivo, sob pressão contínua por menores custos e processos mais eficientes. Nesta pesquisa de doutorado, abordamos problemas de scheduling de petróleo e derivados em portos e refinarias, o qual tem sido tratado com frequência sob a forma de modelos misto-inteiros lineares (MILP) e não-lineares (MINLP). Esta tese introduz uma abordagem nova e original de programação não-linear, cuja principal idéia é a de considerar a programação de produção (schedule) como um sistema dinâmico que deve ser operado sob certas restrições. Operações de transferência são executadas por vazões de equipamentos de origem para equipamentos de destino, as quais são mapeadas como variáveis de controle, enquanto os conteúdos dos equipamentos são mapeados como variáveis de estado. Decisões do tipo sim-não são modelados com restrição de complementaridade, portanto possibilitando modelos contínuos não-lineares, equivalentes a modelos MIP (MILP ou MINLP, dependendo do conjunto de restrições adotado), de modo que um ponto viável no NLP possa ser mapeado diretamente a um ponto viável no modelo misto-inteiro. Essa abordagem é ilustrado com exemplos computacionais, obtendo ótimos locais. === Companies from the petroleum industry operate in a highly competitive market, under constant pressure for lower costs and e cient processes. In this doctorate research, we study the scheduling of crude oil and derivatives in ports and re neries, which has been frequently studied in the literature with mixed-integer models, both linear (MILP) and nonlinear (MINLP). The main idea presented in this thesis is that the schedule is a dynamic system which must operate under certain constraints. Transfer operations are carried out by flows from a source equipment to a destination equipment. Such flows are mapped as control variables, whereas equipment contents are mapped as state variables. Yes-No decisions are modeled with complementarity constraints, thus allowing a continuous nonlinear models, equivalents to MIP models (MILP or MINLP, depending on the chosen set of constraints), in such a way that a NLP-feasible point can be directly mapped to a MIP-feasible point. We illustrate this approach with computational examples, which were solved to local optimality. === Tese (doutorado) - Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2010. === Bibliografia: p. 74-84.
|
|---|
