Identificação de variáveis prevalentes para situações de stress em parques de tancagem: uma análise a partir das redes neurais artificiais

• Main Author: Bortolini, Filipe
• Other Authors: http://lattes.cnpq.br/6330279254229431
• Language: Portuguese
• Published: Universidade do Vale do Rio dos Sinos 2016
• Subjects: ACCNPQ::Engenharias::Engenharia de Produção; Stress; Parque de tancagem; Gestão de estoques; Industria petroquímica; Rede neural artificial (RNA); Heurística; Tank farm; Inventory management; Petrochemical industry; Artificial neural network (ANN); Heuristic
• Online Access: http://www.repositorio.jesuita.org.br/handle/UNISINOS/5206

Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2016-04-28T12:47:41Z No. of bitstreams: 1 FILIPE BORTOLINI_.pdf: 6329595 bytes, checksum: 3dd8331791bb827a0806c8da5947b553 (MD5) === Made available in DSpace on 2016-04-28T12:47:41Z (GMT). No. of bitstreams: 1 FILIPE BORTOLINI_.pdf: 6329595 bytes, checksum: 3dd8331791bb827a0806c8da5947b553 (MD5) Previous issue date: 2015-11-20 === Nenhuma === A melhoria no planejamento de operações é uma das preocupações constantes das refinarias de petróleo, e a gestão eficiente dos estoques em parques de tancagem é um ponto fundamental nesse contexto. No entanto, são poucos os trabalhos que tratam especificamente deste assunto e as ferramentas de simulação existentes são caras e não refletem a realidade de muitas refinarias. A gestão ineficiente ou o dimensionamento inadequado dos parques de tancagem, por sua vez, podem gerar uma série de prejuízos. Um parque superdimensionado gera custos de gestão e manutenção, além dos custos do estoque. Um parque subdimensionado pode gerar perdas devido a desabastecimentos e degradação de produtos, entre outros. Às situações em que o subdimensionamento gera impactos na produção, com ou sem perdas financeiras, dá-se a denominação de stress em parques de tancagem. Esse trabalho descreve a implantação de uma ferramenta que possibilita a quantificação do stress em parques de tancagem. Essa quantificação é feita com o apoio de uma heurística baseada em dados relativos às movimentações, manutenções e níveis de estoque dos tanques. Também descreve a forma de cálculo de cinquenta e nove variáveis relacionadas às movimentações dos tanques. A influência que essas variáveis têm na formação de situações de stress foi analisada através do uso de redes neurais artificiais. Essa influência foi quantificada em cinco diferentes cenários, considerando-se a existência ou não de um ciclo de certificação de produto e a natureza das variáveis analisadas. Como resultado, identifica-se que as variáveis relacionadas ao tempo de esvaziamento, tempo de tanque parado em nível baixo e tempo de enchimento são as prevalentes na criação de situações de stress em parques de tancagem no contexto analisado. Também são mapeados e formalizados os fluxos dos algoritmos para determinação das etapas do ciclo de um tanque, e é definida uma fórmula para a determinação do nível de stress em um parque de tancagem em um determinado período de tempo. === The improvement in operations planning is a constant concern of oil refineries, and the efficient management of inventories in tank farm sites is a key point in this context. However, there are few studies that deal specifically with this issue and existing simulation tools are expensive and do not reflect the reality of many refineries. The inefficient management or improper sizing of tank farm sites, in turn, can generate significant financial losses. A oversized tank farm generates management and maintenance costs, in addition to inventory costs. An undersized tank farm can generate losses due to shortages and degradation of products, among others. The situations in which the undersizing generates impact in operations, with or without financial losses, is defined as stress in tank farm sites. The present study describes the implementation of a tool that allows the quantification of stress in tank farm sites. This measurement is made using a heuristic based on data on the inventory movimentation, maintenance status and inventory levels of the tanks. It also describes the calculation method of fifty-nine variables related to the movimentation of inventory. The influence of these variables on the formation of stress situations was analyzed using artificial neural networks. This influence was quantified in five different scenarios, considering whether or not a product certification cycle and the nature of the variables. As a result, it is identified that the variables related to emptying time, tank downtime at low level and fill time are prevalent in creating stressful situations in tank farm sites in the analyzed context. They are also mapped and formalized flows of algorithms to determine the stages of a tank cycle, and is defined a formula for determining the stress level in a tankage park at a given time.