Search

Refinery scheduling comprises a group of decisions that aims to optimize asset allocation, activity sequencing, and the time-related realization of those activities. This scheduling must achieve multiple objectives while considering different types of constraints. Uninterrupted processing unit operation, on-time crude oil batch receipts, and tank switchover minimization coexist in the everyday reasoning of a scheduler. However, it is not usual that works encompassing many operational aspects, such as multiple operational objectives, settling time, and an unlimited number of crudes, to blend in any tank. This article proposes a new algorithm that integrates linear and grammar-guided genetic programming concepts with a quantum-inspired approach to create programs that represent a crude oil refinery scheduling solution. The fitness function comprises four objectives that guide the evolution based on importance predefined by the decision maker. We propose a success ratio to evaluate the algorithm performance considering 50 runs for each case. A final solution is considered a success if two more important objectives are optimized. We assessed our approach with five different scenarios of a real refinery and three of them achieved a 100% success ratio.

The crude oil scheduling problem has been focus of many studies in the past, which is justified by its importance in the oil industry. Optimizing crude oil blending is of paramount importance given that it can substantially impact the economic performance of a refinery. In this work, operational features of a real-world existing refinery are addressed. Only operations limited to the refinery battery are in scope such as splitting of parcels unloaded from a supplying pipeline segment, tank heels and capacities, brine settling time, multiquality tracking, crude distillation unit (CDU) straight-run products profile, multiple tank outputs, and multiple CDU inputs. Moreover, different policies as to the handling of the refinery tank farm are evaluated. The presented formulation is taking from the multioperation sequencing (MOS) proposed by Mouret, Grossmann, and Pestiaux ( Comput. Chem. Eng. 2011, 35, 1038−1063. DOI: 10.1016/j.compchemeng.2010.07.007). The novelty of the present work relies on how to accuratel...

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO PETRÓLEO BRASILEIRO S. A. A programação de produção em refinaria pode ser compreendida como decisões que buscam otimizar alocação de recursos, o sequenciamento de atividades e a sua realização temporal, respeitando restrições e visando ao atendimento de múltiplos objetivos. Apesar da complexidade e natureza combinatória, a atividade carece de sistemas sofisticados que auxiliem o processo decisório, especialmente baseadas em otimização, pois as ferramentas utilizadas são planilhas ou softwares de simulação. A diversidade de objetivos do problema não implica em equivalência de importância. Pode-se considerar que existem grupos, onde os que afetam diretamente a capacidade produtiva da refinaria se sobrepõem aos associados à maior continuidade operacional. Esta tese propõe o desenvolvimento de algoritmos multiobjetivos para programação de petróleo em refinaria. As propostas se baseiam em conceituadas técnicas da literatura multiobjetivo, como dominância de Pareto e decomposição do problema, integradas à programação genética com inspiração quântica. São estudados modelos em um ou dois níveis de decisão. A diferenciação dos grupos de objetivos é avaliada com base em critérios estabelecidos para considerar uma solução proposta como aceitável e também é avaliada a influência de uma população externa no processo evolutivo. Os modelos são testados em cenários de uma refinaria real e os resultados são comparados com um modelo que trata os objetivos de forma hierarquizada. As abordagens baseadas em dominância e em decomposição apresentam vantagem sobre o algoritmo hierarquizado, e a decomposição é superior. Numa comparação com o modelo em dois níveis de decisão, apenas o que utiliza estratégia de decomposição em cada nível apresenta bons resultados. Ao final deste trabalho é obtido mais de um modelo multiobjetivo capaz de oferecer um conjunto de soluções que atendam aos objetivos críticos e deem flexibilidade de análise a posteriori para o programador de produção, o que, por exemplo, permite que ele pondere questões não mapeadas no modelo. Refinery scheduling can be understood as a set of decisions which aims to optimize resource allocation, task sequencing, and their time-related execution, respecting constraints and targeting multiple objectives. Despite its complexity and combinatorial nature, the refinery scheduling lacks more sophisticated support decision tools. The main systems in the area are worksheets and, sometimes, simulation software. The multiple objectives do not mean they have the same importance. Actually, they can be grouped whereas the objectives related to the refinery production capacity are more important than the ones related to a smooth operation. This thesis proposes the development of multiobjective algorithms applied to crude oil refinery scheduling. The proposals are based on the major technics of multiobjective literature, like Pareto dominance and problem decomposition, integrated with a quantum-inspired genetic programming approach. One and two decision level models are studied. The difference between groups is handled with conditions that define what can be considered a good solution. The effect of using an archive population in the evolutionary process is also evaluated. The results of the proposed models are compared with another model that handles the objectives in a hierarchical logical. Both decomposition and dominance approaches have better results than the hierarchical model. The decomposition model is even better. The bilevel decomposition method is the only one, among two decision levels models, which have shown good performance. In the end, this work achieves more than one multiobjective model able to offer a set of solutions which comprises the critical objectives and can give flexibility to the production scheduler does his analysis. Therefore, he can consider aspects not included in the model, like the forecast of crude oil batches not scheduled yet.

A programação de produção em refinaria (scheduling) pode ser compreendida como uma sequência de decisões que buscam otimizar a alocação de recursos, o sequenciamento de atividades e a realização temporal dessas atividades, respeitando um conjunto de restrições de diferentes naturezas e visando o atendimento de múltiplos objetivos onde fatores como atendimento à demanda de produção e minimização de variações operacionais nos equipamentos coexistem na mesma função. Este trabalho propõe o uso da técnica de Programação Genética para automatizar a criação de programas que representem uma solução completa de programação de petróleo em uma refinaria dentro de um horizonte de tempo. Para a evolução destes programas foi desenvolvida uma linguagem específica para o domínio de problemas de scheduling de petróleo e aplicada de forma a representar as principais atividades do estudo de caso. Para tal, a primeira etapa consistiu da avaliação de alguns cenários de programação de produção de forma a selecionar as atividades que devessem ser representadas e como fazê-lo. No modelo proposto, o cromossomo quântico guarda a superposição de estados de todas as soluções possíveis e, através do processo evolutivo e observação dos genes quânticos, o cromossomo clássico é criado como uma sequencia linear de instruções a serem executadas. As instruções executadas representam o scheduling. A orientação deste processo é feita através de uma função de aptidão multiobjetivo que hierarquiza as avaliações sobre o tempo de operação das unidades de destilação, o prazo para descarregamento de navios, a utilização do duto que movimenta óleo entre terminal e refinaria, além de fatores como número de trocas de tanques e uso de tanques de injeção nas unidades de destilação. No desenvolvimento deste trabalho foi contemplado um estudo sobre o conjunto de parâmetros para o modelo desenvolvido com base em um dos cenários de programação selecionados. A partir desta definição, para avaliação do modelo proposto, foram executadas diversas rodadas para cinco cenários de programação de petróleo. Os resultados obtidos foram comparados com estudo desenvolvido usando algoritmos genéticos cujas atividades, no cromossomo, possuem representação por ordem. A programação genética apresentou percentual de soluções aceitas variando entre 25 por cento e 90 por cento dependendo da complexidade do cenário, sendo estes valores superiores ao obtido usando Algoritmos Genéticos em todos os cenários, com esforço computacional menor. Refinery scheduling can be understood as a sequence of decisions that targets the optimization of available resources, sequencing and execution of activities on proper timing; always respecting restrictions of different natures. The final result must achieve multiple objectives guaranteeing co-existence of different factors in the same function, such as production demand fullfillment and minimize operational variation. In this work it is proposed the use of the genetic programming technique to automate the building process of programs that represent a complete oil scheduling solution within a defined time horizon. For the evolution of those programs, it was developed a domain specific language to translate oil scheduling instructions that was applied to represent the most relevant activities for the proposed case studies. For that, purpose first step was to evaluate a few real scheduling scenarios to select which activities needed to be represented and how to do that. On the proposed model, each quantum chromosome represents the overlapping of all solutions and by the evolutionary process (and quantum gene measurement) the classic chromosome is created as a linear sequence of scheduling instructions to be executed. The orientation for this process is performed through a multi-object fitness function that prioritizes the evaluations according to: the operating time of the atmospheric distillation unities, the oil unloading time from the ships, the oil pipeline operation to transport oil to the refinery and other parameters like the number of charge tanks switchover and injection tank used for the distillation unities. The scope of this work also includes a study about tuning for the developed model based in one of the considered scenarios. From this set, an evaluation of other different scheduling scenarios was performed to test the model. The obtained results were then compared with a developed model that uses genetic algorithms with order representation for the activities. The proposed model showed between 25 percent - 90 percent of good solutions depending on the scenario complexity. Those results exhibit higher percentage of good solutions requiring less computational effort than the ones obtained with the genetic algorithms.