Projeto Final Leonardo Souza rev05 · lll 5hvxpr gr 3urmhwr gh *udgxdomr dsuhvhqwdgr j (vfrod...
75
Universidade Federal do Rio de Janeiro Análise da influencia meteorológica no sistema logístico de suprimento offshore Leonardo Bittencourt Araujo de Souza Rio de Janeiro 2017
Transcript of Projeto Final Leonardo Souza rev05 · lll 5hvxpr gr 3urmhwr gh *udgxdomr dsuhvhqwdgr j (vfrod...
Universidade Federal do Rio de Janeiro
Análise da influencia meteorológica no sistema
logístico de suprimento offshore
Leonardo Bittencourt Araujo de Souza
Rio de Janeiro
2017
Análise da influencia meteorológica no sistema logístico de
suprimento offshore
Leonardo Bittencourt Araujo de Souza
Projeto de Graduação apresentado ao
Curso de Engenharia Naval e Oceânica da
Escola Politécnica, Universidade Federal
do Rio de Janeiro, como parte dos
requisitos necessários à obtenção do título
de Engenheiro.
Orientador: Jean David Job Emmanuel
Marie Caprace
Rio de Janeiro
Setembro de 2017
Análise da influencia meteorológica no sistema logístico de
suprimento offshore
Leonardo Bittencourt Araujo de Souza
PROJETO DE GRADUAÇÃO SUBMETIA AO CORPO DOCENTE DO CURSO DE
ENGENHARIA NAVAL E OCEÂNICA DA ESCOLA POLITÉCNICA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE REQUISITOS
NECESSARIOS PARA A OBTENÇÃO DO GRAU DE ENGENHEIRO NAVAL E
OCEÂNICO
Examinado por:
______________________________________________
Prof. Jean-David Job Emmanuel Marie Caprace, Ph.D
______________________________________________
Prof. Floriano Carlos Martins Pires Junior, D.Sc.
______________________________________________
Prof. Luiz Felipe Assis, D.Sc.
______________________________________________
Prof. Marcelo Igor Lourenço de Souza, D.Sc
Rio de Janeiro, RJ – Brasil
Setembro de 2017
i
Souza, Leonardo Bittencourt Araujo de
Análise da influencia meteorológica no sistema logístico de suprimento offshore / Leonardo Bittencourt Araujo de Souza – Rio de Janeiro: UFRJ/ESCOLA POLITÉCNICA, 2017
VIII, 64 p.: il.; 29,7 cm.
Orientador: Jean-David Job Emmanuel Marie Caprace
Projeto de Graduação – UFRJ/ Escola Politécnica/ Curso de Engenharia Naval e Oceânica, 2017.
Referencias Bibliográficas: p. 62-64.
1. Simulação de Eventos Discretos 2. Altura de Onda 3. Suprimento Offshore
I. Caprace, Jean-David Job Emmanuel Marie. II. Universidade Federal do Rio de Janeiro, Escola Politécnica, Curso de Engenharia Naval e Oceânica. III. Análise da influencia meteorológica no sistema logístico de suprimento offshore.
ii
AGRADECIMENTOS
A Deus, pоr tеr mе dado saúde е força.
A UFRJ e ao DENO, pela oportunidade de realizar este curso.
Ao mеυ orientador, Jean-David Caprace, pela orientação е confiança, e a todos
os professores e funcionários da UFRJ, pelo apoio.
Aos meus pais Helenisia e Gobardo, e a minha irmã Luisa, por todos esses anos
de carinho e por não medirem esforços para que eu pudesse seguir adiante.
A minha namorada Gabriela, pelo amor, apoio e compreensão por todos esses
anos.
Aos meus amigos de faculdade, por ter ajudado a passar por todos os desafios
para a conclusão do curso. Principalmente ao João Vitor e Raphael, pela ajuda e
companheirismo nos momentos mais importantes para minha formação.
iii
Resumo do Projeto de Graduação apresentado à Escola Politécnica / UFRJ como
parte dos requisitos necessários para a obtenção do grau de Engenheiro Naval e
Oceânico.
Análise da influencia meteorológica no sistema logístico de suprimento offshore
Leonardo Bittencourt Araujo de Souza
Setembro/2017
Orientador: Jean-David Job Emmanuel Marie Caprace
Curso: Engenharia Naval e Oceânica
O suprimento de plataformas de produção de petróleo é um dos maiores custos na
operação de exploração de petróleo em águas profundas, como no caso do pré-
sal. A logística de apoio offshore é de muita importância para a área offshore,
procurando aperfeiçoar o processo de forma a reduzir seus custos de operação.
Atrasos na entrega de materiais podem causar paradas na produção e são uma
consequência de processo logístico falho. Por isso é importante que essa cadeia
seja eficiente, oferecendo um elevado nível de serviço às unidades marítimas, com
utilização ótima dos ativos da operação. A simulação e otimização das operações
são formas de se analisar e reduzir os custos da operação.
O trabalho analisa a sensibilidade do sistema logístico de suprimentos offshore, no
terminal e plataformas, devido a diferentes condições climáticas com base em um
estudo de caso. Com dados climáticos históricos da região do pré-sal, e dados de
embarcações de apoio offshore foi possível gerar um banco de dados com
capacidade de carga e frequência de atendimento a plataformas. A avaliação do
impacto das restrições operacionais meteorológicas para cada sistema foi efetuada
através de simulação de eventos discretos, com a inclusão das distribuições de
probabilidade dos intervalos sucessivos de bom e mau tempo. As atividades são
interrompidas em caso de mau tempo.
Os resultados obtidos de custos de operação, quantidades de pedidos no terminal,
tempo de utilização das embarcações foram obtidos para cada altura de onda,
sendo possível realizar uma análise para otimização no processo de logística de
suprimentos offshore.
Palavras-chave: Simulação de Eventos Discretos, Altura de Onda, Suprimento
Offshore
iv
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Engineer.
Leonardo Bittencourt Araujo de Souza
Setembro/2017
Advisors: Jean-David Job Emmanuel Marie Caprace
Course: Naval and Ocean Engineering
The supply of oil production platforms is one of the biggest costs in the operation of oil
exploration in deep water, as in the case of pre-salt. Offshore support logistics are of
great importance to the offshore area, seeking to streamline the process in order to
reduce their operating costs. Delays in delivery of materials, causing production
stoppage are a consequence of flawed logistics process. That is why it is important that
this chain be efficient, offering a high level of service to maritime units and optimal use
of the assets of the operation. Simulation and optimization of operations are ways of
analyze and reduce operating costs.
The paper analyzes the sensitivity of the offshore supply logistics system in the
terminal and platforms due to different climatic conditions through a case study. With
historical climatic data from the pre-salt region, and data from offshore support vessels,
it was possible to generate a database with load capacity and frequency of service to
platforms. The evaluation of the impact of the meteorological operational restrictions for
each system was made through the simulation of discrete events system, including the
probability distributions of successive intervals of good and bad weather. Activities are
interrupted in case of bad weather.
The results obtained from operating costs, quantity of requests at the terminal and time
of use of the vessels were obtained for each wave height, being possible to perform an
analysis for optimization in the logistics process of offshore supplies.
Keywords: Discrete Event Simulation, Wave Height, Offshore Supply.
v
Sumário
1. Introdução .......................................................................................................... 1
1.1. Contexto Histórico ................................................................................. 1
1.2. Motivação .............................................................................................. 2
1.3. Objetivo ................................................................................................. 4
1.4. Estrutura do Projeto ............................................................................... 5
2. Revisão da Literatura ......................................................................................... 6
3. Metodologia ..................................................................................................... 11
4. Dados .............................................................................................................. 13
4.1. Terminais Terrestres ........................................................................... 13
4.2. PSV ..................................................................................................... 15
4.3. FPSO .................................................................................................. 21
4.4. Tempo de instalação e operação ......................................................... 26
4.5. Meteorologia ........................................................................................ 30
4.6. Lógica da Simulação ........................................................................... 35
4.7. Custo ................................................................................................... 38
5. Resultados Preliminares .................................................................................. 41
6. Resultados ....................................................................................................... 43
6.1. Fila no Porto ........................................................................................ 46
6.2. Tempo de Viagem ............................................................................... 49
6.3. Tempo na plataforma .......................................................................... 53
6.4. Custo ................................................................................................... 56
7. Conclusão ........................................................................................................ 61
vi
Lista de Figuras
Figura 1: Perfil da região do pré-sal (Fonte: Petrobras) ................................................ 3
Figura 2: Localização dos reservatórios de óleo no pré-sal, em azul (Fonte:
www.ibp.org.br) ............................................................................................................. 4
Figura 3: Sistema logístico offshore (Fonte: FERREIRA FILHO, V. J. M.; “Gestão de
Operações e Logística na Produção de Petróleo”) ...................................................... 13
Figura 4: Porto de Imbetiba, Macaé, (Fonte: Erick Azevedo) ...................................... 14
Figura 5: Padrão de carregamento de um PSV (Fonte: howlingpixel.com) ................. 16
Figura 6: Exemplo de contêiner offshore (Fonte: Offshore cargo handling) ................. 17
Figura 7: Visão do arranjo interno do PSV (Fonte: PG-Macs (www.pg-macs.com)) .... 18
Figura 8: Detalhe dos equipamentos atuadores no sistema DP (Fonte: Rolls Royce) . 19
Figura 9: Atendimento de PSV a plataforma (Fonte: Bourbon Offshore) ..................... 22
Figura 10: Limitado espaço de carga (Fonte: berniesworldtour.wordpress.com) ......... 23
Figura 11: Demanda semanal média de unidades de produção na Bacia de Campos -
abril de 2011 a março de 2012 (Fonte: Leite, [23]). ..................................................... 24
Figura 12: Içamento de carga a bordo (Fonte: Blue Water)......................................... 25
Figura 13: Exemplificação de arranjo do cluster com quatro plataformas .................... 29
Figura 14: Saída de dados de distribuição discreta para ondas de 3 metros no quarto
trimestre...................................................................................................................... 32
Figura 15: Distribuição Gama para onda de 3 metros no terceiro trimestre e condição
de tempo bom ............................................................................................................. 33
Figura 16: Critério de seleção AD ............................................................................... 34
Figura 17: Exemplo de PSV na simulação .................................................................. 36
Figura 18: Exemplo de PSV atendendo a uma plataforma na simulação .................... 36
Figura 19: Fluxograma da lógica de simulação ........................................................... 37
Figura 20: Contratos de afretamento (Fonte: COPPE, UFRJ) ..................................... 38
vii
Lista de Tabelas
Tabela 1: Tipo de Embarcações Offshore (Moreira, 2007) .......................................... 15
Tabela 2: Características de cada tipo de carga [24] .................................................. 17
Tabela 3: Dimensões média para cada classe de PSV ............................................... 18
Tabela 4: Consumo médio de combustível ................................................................. 18
Tabela 5: Detalhamento das propriedades adotadas para os PSVs ........................... 20
Tabela 6: Detalhe dos pedidos médios (Fonte: Leite, 2012) ....................................... 23
Tabela 7: Demanda de carga por unidade de produção em metros quadrados .......... 24
Tabela 8: Distribuições de tempo para carga e descarga offshore e no porto ............. 25
Tabela 9: Distância média até a costa (Fonte: Petrobras Annual Report 2008, [26]) .. 27
Tabela 10: Escala de Beaufort (https://en.wikipedia.org/wiki/Beaufort_scale) ............. 31
Tabela 11: Distribuições de Bernoulli para mau tempo em altura de 3 metros ............ 32
Tabela 12: Distribuições de Bernoulli para mau tempo em altura de 3,5 metros ......... 32
Tabela 13: Distribuições de Bernoulli para mau tempo em altura de 4 metros ............ 32
Tabela 14: Distribuições de durações de tempo bom e ruim para altura de 3 metros . 34
Tabela 15: Distribuições de durações de tempo bom e ruim para altura de 3,5 metros 34
Tabela 16: Distribuições de durações de tempo bom e ruim para altura de 4 metros . 35
Tabela 17: Frotas iniciais ............................................................................................ 44
Tabela 18: Frotas propostas com até dois PSVs ........................................................ 46
Tabela 19: Frotas propostas com até três PSVs ......................................................... 46
Tabela 20: Frotas propostas com até quatro PSVs ..................................................... 46
Tabela 21: Exemplo de fila máxima no porto .............................................................. 47
Tabela 22: Tamanho médio da fila para as frotas com dois PSVs .............................. 48
Tabela 23: Tamanho médio da fila para as frotas com três PSVs ............................... 48
Tabela 24: Tamanho médio da fila para as frotas com quatro PSVs ........................... 48
Tabela 25: Porcentagem do tempo de viagem para as frotas com dois PSVs ............ 50
Tabela 26: Porcentagem do tempo de viagem para as frotas com três PSVs ............. 50
Tabela 27: Porcentagem do tempo de viagem para as frotas com quatro PSVs ......... 50
Tabela 28: Porcentagem do tempo de plataforma para as frotas com dois PSVs ....... 53
Tabela 29: Porcentagem do tempo de plataforma para as frotas com três PSVs ........ 53
Tabela 30: Porcentagem do tempo de plataforma para as frotas com quatro PSVs ... 53
Tabela 31:Custo médio de time-charter e combustível para arranjo com dois PSVs .. 56
Tabela 32: Custo médio de time-charter e combustível para arranjo com três PSVs .. 56
Tabela 33: Custo médio de time-charter e combustível para arranjo com 4 PSVs ...... 56
Tabela 34: Custo médio total e anual por PSV, nas frotas com 2, 3 e 4 embarcações 60
viii
Lista de Gráficos
Gráfico 1: Coeficiente de correção do tempo de navegação ....................................... 21
Gráfico 2: Número de FPSO instalados/planejados por ano no Brasil (Fonte: EDIN) .. 26
Gráfico 3: Vida útil da plataforma ................................................................................ 27
Gráfico 4: Número de unidades de produção por cluster ............................................ 28
Gráfico 5: Função densidade de probabilidade da distância entre plataformas dentro
do cluster .................................................................................................................... 29
Gráfico 6: Comportamento do Time-Charter segundo MRM ....................................... 40
Gráfico 7: Preços históricos de diesel ......................................................................... 40
Gráfico 8: Resultado da simulação com 50 iterações, média e faixa de erro
considerada. ............................................................................................................... 43
Gráfico 9: “Frota ótima” ............................................................................................... 44
Gráfico 10: Perfil de utilização de PSVs mais requisitados ......................................... 45
Gráfico 11: Perfil de utilização de PSVs subutilizados ................................................ 45
Gráfico 12: Fila no porto em F21 com altura de onda de três metros .......................... 47
Gráfico 13: Médias máximas de fila para .................................................................... 48
Gráfico 14: Médias máximas de fila ............................................................................ 49
Gráfico 15: Médias máximas de fila ............................................................................ 49
Gráfico 16: Comparação do tempo de viagem para as frotas com dois PSVs ............ 51
Gráfico 17: Comparação do tempo de viagem para as frotas com três PSVs ............. 51
Gráfico 18: Comparação do tempo de viagem para as frotas com quatro PSVs ......... 52
Gráfico 19: Comparação do tempo de plataforma para as frotas com dois PSVs ....... 54
Gráfico 20: Comparação do tempo de plataforma para as frotas com dois PSVs ....... 54
Gráfico 21: Comparação do tempo de plataforma para as frotas com quatro PSVs .... 55
Gráfico 22: Preço médio de time-charter e diesel para frotas com dois PSVs ............. 57
Gráfico 23: Porcentagem do custo de combustível no custo total para dois PSVs ...... 57
Gráfico 24: Preço médio de time-charter e diesel para frotas com dois PSVs ............. 58
Gráfico 25: Porcentagem do custo de combustível no custo total para três PSVs ...... 58
Gráfico 26: Preço médio de time-charter e diesel para frotas com dois PSVs ............. 59
Gráfico 27: Porcentagem do custo de combustível no custo total para quatro PSVs .. 59
Gráfico 28: Custo médio total por PSV ....................................................................... 60
Gráfico 29: Custo médio anual por PSV...................................................................... 60
1
1. Introdução
1.1. Contexto Histórico
O inicio da exploração offshore teve início em 1896, no litoral da Califórnia, nos
Estados Unidos, onde as, bem sucedidas, primeiras experiências na exploração de
petróleo áreas alagadiças, em 1894, levaram ao empresário Henry Williams a expandir
a área de exploração para locais com alguma lâmina d’água. Os primeiros poços de
exploração ficavam em água abrigadas como lagos e pântanos, e eram “ligados” ao
continente por meio de piers. [1]
No ano de 1911, na Louisiana a companhia Gulf Refining abandonou o uso de
piers para chegar da costa para as plataformas, que eram fixas por estacas no solo
pantanoso, e passou a utilizar rebocadores e barcaças para atender-las, tornando-se o
precursor do suprimento offshore na extração de petróleo.
Dali para frente, com o desenvolvimento tecnológico e com a descoberta de
novas reservas de petróleo, principalmente no Golfo do México, em 1949, a sonda
“Breton Rig 20” foi a primeira a extrair óleo em mar aberto. [2]
Com o avanço da exploração da terra para o alto mar, percebeu-se que a
operação offshore seria o futuro da exploração de petróleo [2]. Para que a produção
continuasse a crescer e avançasse para águas mais profundas, além do
desenvolvimento tecnológico, seria necessária uma força-tarefa capaz de suprir as
demandas de suprimentos, isto ficou resolvido com o surgimento de embarcações
especiais que garantissem o transporte desses materiais, equipamentos e até
trabalhadores. Inicialmente, embarcações pequenas eram utilizadas para transportar
pessoas ("crewboats") e também barcos utilitários ("utility-boats") para o transporte de
cargas destinadas às unidades de perfuração. Mesmo assim, até os anos 50, as
embarcações disponíveis ao apoio offshore ainda eram precárias, com cascos
construídos de forma artesanal e não apresentando a robustez necessária à difícil
tarefa da prospecção em alto mar [2]. Como resultado, alguns acidentes eram
frequentes. Assim, ficou evidente então a necessidade de novos projetos com
características técnicas adequadas ao uso final a fim de propiciar melhores índices de
eficiência e requisitos mínimos de segurança: surgia então um novo conceito, o de
embarcação de suprimento – “supply boat”. A primeira embarcação deste tipo
chamou-se “Ebb Tide”, lançada em 1956, cujo projeto serviu de base para as futuras
embarcações, incorporando novos equipamentos e tecnologia até os dias de hoje. [3]
2
1.2. Motivação
A exploração de petróleo offshore no Brasil começou em 1966, sendo
considerado marco inicial os primeiros levantamentos de sísmica na plataforma
continental. Em 1968 foi descoberto o primeiro campo de petróleo no mar, o campo de
Guaricema, através da plataforma flutuante P-1, e assim nascia o apoio marítimo no
Brasil.
Com a Guerra do Yom Kippur, também conhecida como a Guerra Árabe-
Israelense, em 1973, que acarretou na crise mundial de petróleo, devido à redução
nas exportações de óleo cru, muitas nações desenvolvidas intensificaram as buscas
de petróleo em seus territórios e os países tradicionalmente importadores passaram a
investir mais na exploração, tanto em terra como no mar.
No Brasil, a exploração começou no litoral de Sergipe e de Alagoas, seguida do
Espírito Santo. Em 1974, um ano depois de instalada a crise mundial, a Petrobras
descobriu uma grande reserva de petróleo na Bacia de Campos (RJ), no Campo de
Garoupa. Com o passar dos tempos novos campos gigantes de petróleo foram
descobertos na Bacia de Campos – Albacora (1984), Marlim (1985) e Roncador (1996)
e também na Bacia de Santos, descoberta em 2005. O Campo petrolífero de Lula,
antes denominado Tupi, localizado na bacia de Santos, oficialmente divulgado pela
Petrobras, em novembro de 2007, é o campo do pré-sal de maior importância
atualmente, ele abriu caminho para a busca de novos campos em regiões além do
pós-sal. [4]
O pré-sal é uma área de reserva petrolífera encontrada sob uma profunda
camada de rocha salina, que forma uma das várias camadas rochosas do subsolo
marinho. As reservas do pré-sal encontradas no litoral do Brasil são as mais profundas
em que já foi encontrado petróleo em todo o mundo. [5] Representam também o maior
campo petrolífero já encontrado em uma profunda região abaixo das camadas de
rochas salinas. O termo “pré” de pré-sal refere-se à temporalidade geológica e não à
profundidade. Considerando-se a perfuração do poço, a partir da superfície, o petróleo
do pré-sal é considerado subsal, pois está abaixo da camada de sal. O “pré” do pré-sal
refere-se à escala de tempo, ou seja, está em uma camada estratigráfica que é mais
antiga do que a camada de rochas salinas, mostrado na Figura 1. [6]
3
Figura 1: Perfil da região do pré-sal (Fonte: Petrobras)
A área, que tem recebido destaque pelas recentes descobertas da Petrobras,
encontra-se no subsolo oceânico e estende-se do norte da Bacia de Campos ao sul da
Bacia de Santos e desde o Alto Vitória (Espírito Santo) até o Alto de Florianópolis
(Santa Catarina), mostrado na Figura 2. [5]
4
Figura 2: Localização dos reservatórios de óleo no pré-sal, em azul (Fonte: www.ibp.org.br)
Apesar de expectativas de que a produção do pré-sal ultrapasse a produção do
pós-sal após 2018, em julho de 2017, a Agência Nacional de Petróleo, Gás Natural e
Biocombustíveis (ANP), divulgou que a produção de petróleo no pré-sal totalizou 1,352
milhão de barris por dia, superando pela primeira vez a produção nas camadas do
pós-sal. [7]
Com a importância da expansão da exploração de petróleo, e a complexidades
de operações envolvidas, um dos principais objetivos para a logística de exploração e
produção de petróleo é a redução de custos em operações, otimizando as rotas,
embarques de cargas, tudo de acordo com o cenário e logístico disponível. Casos de
implementação de planos logísticos são normais para a redução de custos, como por
exemplo, a Petrobras implementou um programa de logística que possibilitou reduções
de US$ 1,6 bilhão nos investimentos previstos entre 2012-2016, e até 2020, a redução
deve ser chegar a US$ 5,4 bilhões. [8]
1.3. Objetivo
O presente trabalho tem como objetivo analisar o processo da cadeia de
suprimentos de um terminal de abastecimento para a área offshore através do
transporte dos materiais por meio de embarcações de apoio offshore, realizando uma
análise de como a meteorologia influencia no aumento do custo operacional e na
logística de operação do porto.
5
1.4. Estrutura do Projeto
Este trabalho é composto por oito capítulos, o primeiro capítulo é um capítulo
introdutório, onde é apresentado o contexto atual da indústria do petróleo, a motivação
e o objetivo deste projeto e por fim a estrutura presente no corpo deste trabalho.
No capítulo 2, é realizada a revisão da literatura, apresentando, analisando,
comentando trabalhos relacionados com o tema proposto por este trabalho.
No capítulo 3, é descrita a metodologia do trabalho.
No capítulo 4, são descritos em características gerais sobre cada elemento do
projeto, embarcações, plataformas, terminal terrestre, meteorologia, pedidos e custos,
em seguida são descritos os detalhes de cada.
No capítulo 5, estão descritos os resultados preliminares que foram usados
como pré-requisitos para o desenvolvimento dos futuros resultados do projeto.
No capítulo 6, estão descritos os resultados referentes a influencia da
meteorologia na logística de suprimentos offshore.
No capítulo 7, está descrita a conclusão, tomando como base os resultados
obtidos.
No capítulo 8, está descrita toda a bibliografia utilizada como referencia para o
desenvolvimento do trabalho.
6
2. Revisão da Literatura
Kaiser [9] construiu um modelo para quantificar as viagens de embarcações de
serviço para prever a atividade no Golfo do México. A logística foi modelada como um
sistema determinista linear invariante no tempo. O objetivo do autor era entender os
impactos econômicos e ecológicos do uso da embarcação. O autor também indicou
que seus resultados poderiam ser usados como base para as decisões de
investimento em infra-estrutura, o estudo da logística da indústria de petróleo e gás
offshore tem sido diversificado, mas não teoricamente unificado ou bem desenvolvido.
Esses estudos abordam tópicos como pesquisa operacional aplicada em sistemas de
logística offshore, gerenciamento de informações, terceirização e outros. Na verdade,
embora muitas pessoas tenham adquirido uma compreensão empiricamente desta
questão, a acumulação de conhecimento está em seus estágios iniciais. Com o
mesmo objetivo, Kaiser e Snyder [10] realizaram um estudo sobre o número de
viagens necessárias para unidades offshore no Golfo do México, analisando dados
fornecidos pelas empresas. Os autores afirmam ter realizado a primeira análise
empírica da indústria de serviços offshore.
Aas et al. [11] argumentam sobre a demanda de navios de suprimentos, que as
pessoas responsáveis pela administração do terminal de abastecimento possuem
baixa competência logística formal, principalmente quando comparado a outras
atividades no setor de petróleo e gás e a outros profissionais que atuam em empresas
de logística. Os autores também observam a baixa prioridade da disciplina de
logística, pois não é a atividade central da empresa, e os profissionais treinados em
logística podem agregar valor à empresa em questões complexas, como o roteamento
de embarcações de abastecimento.
Aas et al. [12] discutiram muitas questões relativas ao agendamento e
roteamento de viagens para unidades offshore. A demanda e as incertezas climáticas
são fatores desafiadores do sistema de logística offshore. Em geral, as empresas
planejam rotas fixas, mas essas rotas podem ser alteradas se ocorrer algum evento
inesperado. A frota não pode ser dimensionada para a demanda média, mas é
necessário um excesso de capacidade, tornando mais fácil lidar com picos e períodos
de mau tempo. O número e o tamanho dos navios é outra questão complexa a ser
tratada no sistema de logística offshore. O transporte de grandes quantidades de
carga em uma única viagem diminuirá o custo unitário, embora nem sempre seja
possível atingir a ocupação de alta plataforma devido à frequência requerida de
atendimento, prazo e incertezas da demanda. Além disso, geralmente é necessário
7
incluir muitas unidades offshore em uma única rota para aumentar o uso de grandes
embarcações, aumentando a probabilidade de desvios da rota e afetando um maior
número de unidades offshore do que se a rota fosse coberta por uma pequena
embarcação envolvendo menos offshore unidades. Um pequeno navio é mais flexível
e é mais provável que o navio esteja no porto quando alguma carga prioritária tem que
ser enviado. Por outro lado, os navios maiores são melhores em termos de diminuição
do número de viagens, para lidar com grandes picos de demanda, para cobrir períodos
de mau tempo e para atender uma unidade offshore em uma única visita.
Brito et al.[13] desenvolveram uma ferramenta computacional para auxiliar em
decisões estratégicas sobre o planejamento e dimensionamento da logística e dos
elementos de produção de siderúrgicas. Essa ferramenta corresponde a um programa
híbrido capaz de analisar e avaliar o complexo problema logístico proposto, ao
combinar técnicas de Modelagem de Simulação de Eventos Discretos e a Análise de
Decisão de Critérios Múltiplos. Também foram apresentadas as características do
sistema logístico proposto para as siderúrgicas, assim como as metodologias
aplicadas para montar a ferramenta computacional e analisar os resultados da
simulação, concluindo que a metodologia das técnicas combinadas é altamente
eficiente em relação as características principais do complexo sistema logístico.
Silva [14] decidiu estudar trade-offs em um sistema de transporte aquaviário de
ciclo fechado, através de simulações. Foi proposto pelo autor, realizar o
dimensionamento da frota de embarcações e estoques do sistema aquaviário de
transporte de minério de ferro avaliando o trade-off entre capacidade transportada e
capacidade de armazenamento. Tal sistema consiste em dois portos, um localizado na
região sudeste e outro na região nordeste do, além de um porto próximo a uma usina
siderúrgica, onde o minério de ferro é entregue. O estudo visa dimensionar a frota para
transportar o insumo e o estoque de minério de ferro que abastece a usina. São
consideradas variações no consumo de minério de ferro pela usina e nos tempos de
navegação, carregamento e descarregamento das embarcações. Através de variação
no tamanho e composição da frota e capacidade máxima do estoque da usina, o
estudo permite avaliar a melhor operação logística de forma a minimizar custos e ao
mesmo tempo manter a usina sem parada a produção.
Hermeto et al. [15] discutem sobre as recentes descobertas de petróleo na
região do “pré-sal” e como elas refletem um grande aumento na exploração e
produção de petróleo no Brasil, gerando uma demanda crescente no transporte de
tripulantes para unidades flutuantes. De acordo com os autores o modo mais comum
8
de realizar este transporte é através de helicópteros, pois este é o mais eficiente em
termos de segurança e velocidade, no entanto a sua desvantagem é o alto custo
envolvido. Esse motivo indica uma alta necessidade de otimizar a rede logística de
transporte dos tripulantes. Com esse intuito, os autores desenvolveram um modelo
otimizado do planejamento de redes logísticas no transporte de tripulantes, tal modelo
proporciona informações precisas a gerentes da área para auxiliar nas tomadas de
decisões. Pode-se incluir nestas decisões características como as localizações dos
heliportos, a distribuição da demanda entre estes heliportos e o perfil da frota. Foram
construídos diversos cenários variando-se a demanda e o custo da frota para avaliar o
comportamento do modelo, com isso foi possível obter bons resultados, apesar das
crescentes complexidades dos cenários.
Shyshou et al. [16] realizaram um estudo de dimensionamento da frota de navios
AHTS. O custo de afretamento desses navios está entre os mais caros, e o valor varia
de acordo com o horizonte de contratação. Para realizar o estudo os autores utilizaram
um modelo de simulação no qual fazem considerações estocásticas a respeito das
durações de operações de movimentação das sondas e a variação da taxa de
afretamento de curto prazo no cenário futuro. A partir da programação anual de
movimentação de sondas da companhia, são rodadas simulações que refletem o
efeito das condições climáticas nos tempos operacionais dos navios AHTS assim
como o efeito da variação aleatória das taxas de afretamento desses navios no futuro.
Em determinados momentos o número de navios AHTS contratado no mercado de
longo prazo não são suficientes para atender o planejamento de movimentação das
sondas. Portanto o objetivo do estudo foi minimizar os custos de contratação desses
navios com base na previsão das atividades futuras da companhia estudada. Assim a
simulação visa determinar qual o tamanho ideal da frota contratada de longo prazo,
descrevendo os fenômenos estocásticos que estão interligados ao tempo operacional.
Halvorsen-Weare et al. [17] desenvolveram um método de planejamento
logístico que utiliza uma formulação matemática de um problema de pesquisa
operacional, no qual consideram as demandas semanais de unidades marítimas e as
distâncias entre elas e o porto de onde partem os navios supridores. O problema visa
minimizar os custos logísticos, de afretamento e navegação, e, ao mesmo tempo,
manter um nível de serviço adequado. Para isso, utilizam o algoritmo de programação
matemática para determinar o tamanho ideal da frota e os cronogramas semanais de
atendimento dos navios da frota. Como resultado, o estudo conseguiu reduzir o
tamanho da frota de 5 para 4 embarcações, mantendo um nível de serviço confiável às
unidades marítimas.
9
Aneichyk [18] alerta sobre a importância de PSVs na logística offshore, devido
ao seu alto custo, além disso o autor afirma que a indústria petrolífera é muito
importante para o crescimento econômico na Noruega, local de realização do estudo.
O autor desenvolveu um modelo de simulação para o suprimento offshore, cuja a
intenção foi criar uma ferramenta capaz de planejar as operações e o tamanho da
frota. São consideradas diversos fatores complexos envolvidos na operação, como as
condições climáticas, a volatilidade da demanda e a ocorrência de atrasos no
suprimento. O trabalho desenvolvido se trata de um modelo de simulação de eventos
discretos que têm como objetivo modelar as incertezas envolvidas através de
abordagens estocásticas, através da utilização do software ARENA. Os resultados
provam que a simulação pode ser uma ferramenta poderosa para o desenvolvimento
de novas estratégias, com condições variáveis e um aumento drástico da eficiência
nos processos estudados.
Ribeiro e Iachan [19] realizam um trabalho de dimensionamento da frota de
embarcações, que possuem como objetivo suprir plataformas de petróleo. Os autores
modelaram as entregas de cargas e formularam um modelo de programação para
alocar rotas às embarcações. As demandas das unidades marítimas são classificadas
em 3 categorias de carga: carga de convés, carga de água e carga de diesel. A
otimização é formulada como um problema de roteamento de veículos com várias
viagens. O objetivo da simulação é minimizar a distância percorrida e o número de
navios supridores. Na simulação desenvolvida são consideradas as incertezas
referentes a alguns parâmetros, como o tipo de carga solicitada pelas plataformas, a
plataforma que realizou o pedido, o momento de geração do pedido, o prazo para o
cumprimento da solicitação e a quantia de carga necessária. Assim, utiliza-se uma
heurística de roteamento e seleção de embarcações para alocar as ordens e seus
parâmetros gerados pelo simulador nas rotas. Por fim, o otimizador realiza as
alocações ótimas das embarcações às rotas geradas na simulação.
Ballou [20] conceituou a logística como o processo de planejar, implantar e
controlar o fluxo eficiente e eficaz de mercadorias, serviços e das informações que
começam desde as primeiras atividades de produção até o ponto de consumo, sempre
em consonância de atender às expectativas dos clientes. Nas empresas do ramo de
petróleo e gás esse conceito se torna de fundamental importância a cada dia, pois
necessitam estar preparadas para lidar com ferramentas que exigem aparatos
tecnológicos de ultima geração, pessoal qualificado capaz de gerenciar uma complexa
logística e acima de tudo uma visão de futuro supere as expectativas da demanda
nacional de petróleo e seus derivados.
10
Norlund et al. [21] realizou um trabalho de otimização da velocidade do navio no
processo de planejamento do navio de abastecimento podendo reduzir
significativamente o consumo de combustível e, portanto, as emissões e custo de
operação, isso atrelado às condições meteorológicas. Além disso, a otimização de
velocidade pode render reduções de custos se o número de embarcações utilizadas
não aumentar. Um dos principais fatores de incerteza, especialmente no inverno, são
as condições climáticas que afetam os tempos de navegação e serviço. A minimização
de custos e a aplicação de estratégias de otimização de velocidade podem ter
implicações na robustez dos horários semanais de embarcações de abastecimento,
uma vez que os tempos de inatividade nos horários são reduzidos. Desenvolvendo
uma metodologia baseada em otimização de simulação que considera custos,
emissões e robustez na geração de horários semanais de embarcações de
abastecimento. Os resultados das análises mostram que se pode resultar em aumento
de emissões e custos no inverno. No entanto, dependendo das características da
instância, diferentes graus de robustez podem ser incorporados com custos e redução
de emissões através da otimização de velocidade.
Os trabalhos citados acima apontam a uma necessidade de estudos na área
logística, para uma melhor analise tais estudos exigem a criação de modelos de
simulação, sendo que alguns trabalhos que utilizaram modelos que não representam
com fidelidade o comportamento de parâmetros estocásticos. Outra característica
percebida foi que alguns dos trabalhos não implementaram uma lógica que
representasse a influencia de comportamento climáticos na simulação. Com isso pode
se afirmar que para se obter resultados precisos em de um modelo de simulação de
logística offshore, é necessário considerar a variação das condições climáticas na
operação marítima utilizando eventos discretos, sendo ele capaz de tratar com
precisão eventos estocásticos. O método apresentado no presente trabalho considera
o comportamento meteorológico na costa brasileira e modela tal comportamento
através de um modelo de simulação de eventos discretos, tornando o estudo realizado
de extrema importância, ao preencher lacunas deixadas por trabalhos já realizados e
que envolvem o tema.
11
3. Metodologia
Um sistema logístico atende a um conjunto determinado de plataformas, cluster.
No Brasil, em geral, os clusters são formados por unidades de exploração e de
produção, do tipo semissubmersíveis ou do tipo FPSO. Foi determinado o número de
plataformas por cluster, sua distância entre cada uma e a distância entre o cluster e a
costa, além das cargas de entrega (load) e lixo (backload). Além das plataformas do
tipo FPSO, foi modelado um terminal de apoio terrestre e embarcações do tipo PSV.
Em seguida, através de informações de operações e normas reguladoras, foram
determinadas as alturas de onda a serem consideradas como mau tempo, e
analisando a dados meteorológicos. Foi criada uma base de dados meteorológica,
encontrando distribuições para cada limite de altura de ondas. Além disso, foi criada
uma base de dados de custos de time-charter e óleo diesel, para que fosse possível
calcular o custo operacional. Com os dados anteriores, foi possível desenvolver um
modelo de simulação de eventos discretos, com diferentes alturas de onda, sendo
mantida a frota de embarcações e em seguida alterando a frota com o objetivo de
otimizar e reduzir o custo de operação. Sendo possível encontrar a influencia que a
meteorologia exerce diretamente sobre a logística e nos custos de operação.
A simulação foi realizada no software “DELMIA Quest”, que utiliza o DES, ou
Sistema de Eventos Discretos. Ele pode ser descrito como um processo que considera
a mudança do estado do sistema ao longo do tempo. A simulação é usada para
modelar sistemas que mudam o seu estado em momentos discretos no tempo, através
da ocorrência de eventos. Foi desenvolvido um modelo de simulação de eventos
discretos através do citado software, desenvolvido pela “Dassault Systems”. O
programa tem como diferencial a fácil utilização de se trabalhar com interfaces gráficas
(GUI) para desenvolvimento do modelo de simulação, permitindo ao usuário o
desenvolvimento e visualização de animações em 3D do modelo criado. A
visualização do modelo em 3D possui uma grande vantagem, pois ela possibilita que o
usuário acompanhe o processo, e verifique sua lógica, facilitando a visualização de
possíveis erros de lógica.
O “DELMIA Quest” pode ser usado para o desenvolvimento de modelos de
simulação para qualquer área de produção, o software permite a importação de
modelos em 3D de qualquer equipamento para tornar a visualização do modelo mais
próxima a realidade, como por exemplo, modelos de embarcações, container,
máquinas, guindastes. [22]
12
O modelo de simulação desenvolvido foi feito através de linguagem de controle
de simulação (SCL), que permite ao usuário montar lógicas de processo, que
governam o comportamento de cada elemento do modelo. Assim é possível fazer
realizar cálculos de acordo com as distribuições definidas e definir uma tomada de
decisão, como é o caso do cálculo da verificação das condições meteorológicas.
Verificadas a cada hora, e a partir do resultado obtido pela distribuição
correspondente, há a tomada de decisão para a interrupção ou não da operação. As
lógicas de processo já existem como padrão na linguagem do Quest. No entanto
existe a possibilidade de criar novas lógicas através da implementação em seu
algoritmo.
Além do SCL, outra linguagem, a BCL, ou, de controle de lote, foi bastante
utilizada, esta tem a capacidade de criar, definir e modificar as características de
novos elementos, dependendo do comando utilizado. Essa linguagem foi utilizada para
que fossem criados os PSVs e as plataformas FPSOs, por exemplo, e foram
associadas a esses elementos, diversas características relevantes para o modelo,
como velocidade de navegação, capacidade de carga e consumo de combustível de
acordo com a operação. Todos os dados referentes as características dos elementos
envolvidos estão presentes nas bases de dados para do modelo, e através de
comandos BCL são interpretados e implementados no modelo, dessa forma caso
tenha que se fazer qualquer alteração nas características, basta modificar a base de
dados associada.
13
4. Dados
O objetivo principal da logística de apoio offshore é a redução de custos com
serviços e produtos, por isso, a cadeia logística tem que ser muito bem planejada. O
maior custo na logística offshore é o custo de transporte, distancia entre o terminal
terrestre e o local de entrega está diretamente ligado ao consumo de combustível,
principal custo na logística offshore, e consequentemente no custo.
Neste capítulo será descrito como foram encontrados os dados para ser
efetuada a simulação e de que forma eles foram interpretados, usados ou ajustados
para a melhor adequação aos softwares utilizados.
4.1. Terminais Terrestres
O sistema de apoio logístico offshore na indústria de produção de petróleo tem
uma grande complexidade, primeiramente com a logística em terra, nos terminais
terrestres, atendendo aos diversos pedidos e organizando logisticamente cada um
deles, tendo que se adequar aos diferentes tipos de cargas devido a alterações nas
fases do processo, como exploração, perfuração e produção, com o objetivo de
otimizar suas entregas para cada rota e diferentes tipos de embarcações. Um exemplo
da sequência de uma operação logística pode ser observado na Figura 3.
Figura 3: Sistema logístico offshore (Fonte: FERREIRA FILHO, V. J. M.; “Gestão de Operações e Logística na Produção de Petróleo”)
No sistema de logística offshore, a entrega é feita por meio de embarcações
especializadas que ficam a disposição, próximas ao terminal, como mostrado na
Figura 4, até serem solicitadas, e assim embarcam as cargas e as levam até seus
destinos.
14
Figura 4: Porto de Imbetiba, Macaé, (Fonte: Erick Azevedo)
Os principais serviços prestados pelos terminais terrestres incluem:
Armazenamento de material;
Capitação de água;
Elaboração de contratos;
Laboratório de análise de fluídos;
Limpeza de tanques;
Oficinas de manutenção e inspeção;
Planejamento e acompanhamento da frota;
Plantas de combustível;
Plantas de preparação e condicionamento de fluídos;
Realização de operações portuárias;
Reparos de embarcações;
Serviço de combate a incêndio.
Serviços aduaneiros;
Transporte e movimentação de carga;
Tratamento de água e resíduos oleosos;
15
4.1.1. Propriedades na simulação
Para que não houvesse influencia nas condições da simulação foi considerada
que o terminal possuiria capacidade ilimitada, impedindo desta forma a existência de
fila de espera de embarcações no terminal, além disso, o terminal tem capacidade de
estoque ilimitada. Com esses requisitos o estudo do trabalho fica independe de
qualquer incapacidade de suprimento no terminas, obtendo-se resultados relativos
apenas para as embarcações envolvidas e a operação.
4.2. PSV
As embarcações offshore foram se desenvolvendo ao longo do tempo e se
especializando para inúmeros tipos de operações offshore, e isso demanda uma gama
de embarcações distintas, cada uma podendo exercer uma função específica ou uma
série delas, como mostradas na Tabela 1.
Tabela 1: Tipo de Embarcações Offshore (Moreira, 2007)
Acrônimo Nome Tipo Uso
PSV Plataform Supply Vessel Transporte Carga geral, água, fluidos, diesel
UT Utility Vessel Transporte Carga geral emergência, limitação de peso e tamanho
CB Crew Boat Transporte Transporte de pessoas
LH Line Handling Serviço Lançamento de risers
TS Tug Supply Serviço Reboque e carga geral
AHTS Anchor Handling Tug Supply Serviço Ancoragem, movimentação de linhas, reboque, suprimentos
ORSV Oil Spil Response Vessel Serviço Stand by e resgate
DSV Diving Support Vessel Serviço Serviços de mergulho
RSV ROV Support Vessel Serviço Operação com veículos operados remotamente (ROV)
WSSV Well Stimulation Support Vessel Serviço Fechamento e estimulação de poços
SESV Subsea Equipment Support Vessel Serviço Operações com equipamentos submarinos
DLV Derrick Pipelay Vessel Serviço Instalação de oleodutos
Como o objetivo do projeto é a logística de transporte de carga, o estudo será
focado somente nas embarcações de tipo PSV. Sua principal função é o apoio
logístico realizando o transporte de equipamentos, pessoas e majoritariamente
materiais, que são consumidos ao longo do tempo de operação das plataformas de
exploração e perfuração. Eles são os mais aptos a realizar essa operação hoje em dia,
16
pois têm como principais características uma grande área de convés para o transporte
de suprimentos e superestrutura na proa da embarcação.
A operação típica do PSV é o carregamento de carga em terminais na costa,
levando a carga para instalações offshore, descarregando e voltando para o terminal
para realizar outra operação. A quantidade de carga no convés que uma embarcação
pode carregar depende se a carga foi carregada no terminal terrestre ou offshore. Uma
melhor arrumação do convés é feita nos terminais, comparativamente a offshore,
devido a não existências dos fatores externos como ondas e ventos. [23]
Os principais materiais transportados no convés da embarcação são
equipamentos, como ferramentas, bombas, válvulas, matérias sobressalentes. A lista
também inclui tanques com produtos químicos, comida, água e lixo, podendo ser
unitizados ou não, mostrado na Figura 5.
Segundo Leite [24], podemos dividir a carga nas diferentes categorias:
Carga Geral;
Comida e Água potável;
Tubos;
Produtos Químicos
Lixo.
Figura 5: Padrão de carregamento de um PSV (Fonte: howlingpixel.com)
17
Ainda segundo Leite [24], podemos categorizar cada tipo de carga conforme a
Tabela 2.
Tabela 2: Características de cada tipo de carga [24]
Tipo Load Backload Unitizada Não-Unitizada Carga Geral X X X X Comida e Água Potável X X Tubos X X X X Produtos Químicos X X X Lixo X X X
O modo mais comum de unitizar as cargas é por meio do contêiner offshore,
geralmente menores e mais pesados que as convencionais, mostrado na Figura 6.
Figura 6: Exemplo de contêiner offshore (Fonte: Offshore cargo handling)
Além das cargas de convés é possível, para um PSV, carregar granéis, fluidos
ou sólidos nos tanques abaixo do convés principal, como mostrado na Figura 7, os
principais produtos carregados são, por exemplo: combustível, água potável, água de
perfuração, lama, salmoura, produtos químicos e granéis sólidos.
18
Figura 7: Visão do arranjo interno do PSV (Fonte: PG-Macs (www.pg-macs.com))
Os PSVs são classificados de acordo com o seu porte bruto, deadweight, o PSV
1500, significa que seu porte tem aproximadamente 1500 toneladas. No Brasil é mais
comum a utilização de PSV 1500, PSV 3000 e PSV 4500. A principal diferença entre
os PSVs para a logística de suprimentos é a área de convés disponível em cada
classe, apesar de terem comprimentos diferentes, a partir de 55, podendo ultrapassar
os 100 metros de comprimento, suas velocidades de serviço são bem semelhantes,
em média 10 nós. Segundo Leite [24], a média da frota que atua na costa brasileira
tem as principais propriedades, listadas na Tabela 3:.
Tabela 3: Dimensões média para cada classe de PSV (Leite, 2012)
Tipo Área de Deck (m²)
Área de Deck Útil (m²)
Comprimento (m)
Boca (m)
Calado (m)
Velocidade de serviço (nós)
PSV 1500 394 295 62 15 4,7 10 PSV 3000 575 431 70 16 5,7 10 PSV 4500 880 660 87 18 6,2 10,2
Tabela 4: Consumo médio de combustível (Leite, 2012)
Tipo Consumo em velocidade de
serviço (ton/dia)
Consumo em "Stand By" (ton/dia)
Consumo no porto (ton/dia)
PSV 1500 11,4 4,3 1,1 PSV 3000 13,3 4,3 1,3 PSV 4500 16,7 5,7 1,3
19
Segundo Aas el al. [12] além de suficiente capacidade de carga acima e abaixo
do convés o PSV deve ter uma boa capacidade de operação, navegação,
carregamento e descarregamento. Para a embarcação dispor de uma boa capacidade
de manobrabilidade, é muito comum estar instalado, e serem um requisito de projeto,
nos PSV mais modernos, um sistema de posicionamento dinâmico.
O sistema de posicionamento dinâmico, ou sistema DP, é um sistema que
controla automaticamente a posição e aproamento de uma embarcação por meio de
propulsão ativa. Em linhas gerais, corresponde a um complexo sistema de controle de
posição, composto por vários equipamentos capazes de tornar seu posicionamento
mais preciso (GPS, DGPS, Anemômetros, Giroscópios, Bussolas magnéticas etc.) São
normalmente utilizados atuadores para mantê-los na posição quase estática, por
exemplo, thrustes laterais, azimutais ou fixos, e leme. Um computador central é
responsável pela execução das correções de posição e pela interface com o operador.
[25]
Figura 8: Detalhe dos equipamentos atuadores no sistema DP (Fonte: Rolls Royce)
20
4.2.1. Propriedades na simulação
Foram apresentados previamente, na Tabela 3 e Tabela 4, as classes mais
comuns de PSV que operam na costa brasileira e suas características mais
relevantes. Para a implementação computacional, a partir dos dados obtidos, foram
utilizadas as seguintes características:
Tabela 5: Detalhamento das propriedades adotadas para os PSVs
Tipo Área de
Deck Útil (m²)
Velocidade de serviço
(nós)
Consumo em velocidade de
serviço (ton/dia)
Consumo em "Stand By" (ton/dia)
Consumo no porto (ton/dia)
PSV 1500 295 10 11,4 4,3 1,1 PSV 3000 431 10 13,3 4,3 1,3 PSV 4500 660 10,2 16,7 5,7 1,3
Analisando as variações de velocidades, no decorrer do ano, de embarcações
que atuavam na região do pré-sal, foi considerado um fator de velocidade as
condições meteorológicas e ao estado de mar. O tempo de navegação entre a origem
e o destino é multiplicada pelo fator de acordo com a época do ano.
Equação 1: Aplicação do fator de correção
𝑡 =𝑑
𝑉∗ 𝑓
𝑑 – 𝐷𝑖𝑠𝑡â𝑛𝑐𝑖𝑎 𝑛𝑎𝑣𝑒𝑔𝑎𝑑𝑎 𝑒𝑛𝑡𝑟𝑒 𝑜𝑟𝑖𝑔𝑒𝑚 𝑒 𝑑𝑒𝑠𝑡𝑖𝑛𝑜
𝑉 – 𝑉𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖ç𝑜 𝑑𝑜 𝑃𝑆𝑉
𝑓 – 𝐹𝑎𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒çã𝑜
O coeficiente varia com a época do ano, como mostrado no Gráfico 1. Para sua
estimativa, foi considerada a variação anual do tempo médio de ciclo de todas as
embarcações a serviço da Petrobras que tinham como base o Porto de Imbetiba.
21
Gráfico 1: Coeficiente de correção do tempo de navegação
Com o fator de correção, a velocidade de serviço dos PSVs deixa de ser um
valor fixo e passa a ser um valor variável em relação a época do ano.
4.3. FPSO
No inicio da exploração offshore, usavam plataformas fixas do tipo jaqueta,
inicialmente feitas de madeira, e estaqueadas no solo marinho. A expansão da
exploração em águas profundas fez com que o uso de plataformas fixas se tornasse
inviável, a partir de certa profundidade devido as dimensões da lamina d’água.
Assim se tornou comum, em águas profunda e ultra profunda, a utilização de
outros tipos de plataformas, como as do tipo SPAR, semissubmersíveis ou FPSO.
Cada uma com suas vantagens e desvantagens de acordo com as características do
projeto, como capacidade de armazenamento, condições climáticas e alturas de onda
do local. Na exploração de petróleo na costa brasileira, principalmente na região do
pré-sal, há uma predominância de utilização de plataformas de produção do tipo
FPSO. Uma plataforma de produção possui uma característica que a difere de outros
tipos de plataformas, sua planta de processos. Localizada no convés principal, tem
como principal função realizar a separação do óleo, água e gás provenientes do poço
de petróleo. O principal diferencial entre um FPSO e outras plataformas é o espaço de
armazenamento de óleo no interior do casco.
22
Figura 9: Atendimento de PSV a plataforma (Fonte: Bourbon Offshore)
Assim como na história da exploração de petróleo, no Brasil a medida que se
encontravam novos em regiões muito distantes da costa e com enorme profundidade,
um busca pelo método de escoamento de petróleo mais rentável teve que ser
procurado. Essas características de projeto tornam muito mais viável o uso de FPSOs,
visto que de transporte de óleo até refinarias terrestres através de dutos submarinos
seria economicamente inviável.
O método mais comum de construção de um FPSO tem sido a conversão a
partir do casco de um navio petroleiro antigo. A conversão de FPSOs a partir de
navios petroleiros consiste basicamente em realizar mudanças nas dimensões de
navios tanque tornando-os aptos para cumprir a função de uma plataforma de
produção. Nas modificações de conversão é normalmente realizado uma jumborização
no casco, inclusive reforço estrutural e adaptações para a operação.
Apesar do aumento nas dimensões, o espaço de convés da plataforma deve ser
otimizado, devido ao tamanho da planta de processos, para poder alocar todos os
elementos necessários para a segura exploração do petróleo e alocação de carga,
quase não havendo área livre a bordo, como pode ser visto na Figura 10.
23
Figura 10: Limitado espaço de carga (Fonte: berniesworldtour.wordpress.com)
4.3.1. Propriedades na simulação
Como mostrado na Tabela 2, os principais tipos de materiais levados para as
plataformas podem ser resumidos a cargas no convés (carga geral, tubos e tanques),
diesel e água. A Tabela 6 apresenta a demanda média para as unidades de produção
de petróleo na Bacia de Campos [24], referentes ao período entre 2001 e 2012. A
demanda de cada plataforma é mensurada em metros quadrados ocupados no
convés, peso e quantidade de içamentos.
Tabela 6: Detalhe dos pedidos médios (Fonte: Leite, 2012)
Suprimento (Load) Retorno (Backload)
Tipo Área (m²) Peso (t) Içamentos (quantidade) Área (m²) Peso (t) Içamentos
(quantidade) Carga Geral 65,3 36,6 15,2 121,3 44,9 25,8 Produtos Químicos 34,6 32,2 8,4 15,5 6 4,1 Alimentos e Água Potável 30,3 17,3 4,4 - - -
Lixo - - - 15,9 5,6 3,8 Risers - - - - - - Tubos 2,8 - - 3,3 - - Total 133 86,1 28 156 56,5 33,7
24
A razão para que a área da carga de retorno seja maior que a área da carga de
suprimento é devido ao melhor fator de estivamento do material no porto, pois a
estivagem de material na plataforma tende a ser menos eficiente que no porto.
Figura 11: Demanda semanal média de unidades de produção na Bacia de Campos - abril de 2011 a março de 2012 (Fonte: Leite, [24]).
Após uma análise, a partir dos dados de demanda média do período
mencionado acima foi possível obter as distribuições estatísticas de demanda de
carga para as unidades de produção, para implementação no modelo computacional.
A Tabela 7 apresenta as distribuições estatísticas da demanda de carga de convés por
unidade de produção em metros quadrados.
Algumas limitações foram consideradas para o desenvolvimento do trabalho,
como a desconsideração do suprimento de carga líquida para as plataformas e os
pedidos para as plataformas não variam com a produção, atendendo sempre as
distribuições da Tabela 7. Foi considerado uma frequência de atendimento bissemanal
as plataformas, mostrado abaixo.
Tabela 7: Demanda de carga de convés por unidade de produção em metros quadrados
Demanda Período Função α β Suprimento (Load) 2 viagens/semana Gamma 6,1662 10,008 Retorno (Backload) 2 viagens/semana Gamma 7,2059 9,2576
25
Para a análise de tempo de operação, uma base de dados de 335 operações de
PSVs foi utilizada para calcular o tempo de operação offshore, incluindo a carga do
backload e a descarga de convés. Uma análise semelhante de 415 operações
portuárias de carga e descarga de concluiu que o tempo de operação no cais dos
PSVs, em minuto por metro quadrado de convés disponível na embarcação. As
distribuições encontradas encontram-se na Tabela 8.
Tabela 8: Distribuições de tempo para carga e descarga offshore e no porto
Embarque/Desembarque Período Função k λ Offshore 2 viagens/semana Weibull 1,3218 0,78509
μ σ² Porto 2 viagens/semana Normal 0,62102 0,34329
Figura 12: Içamento de carga a bordo (Fonte: Blue Water)
26
4.4. Tempo de instalação e operação
As plataformas de produção, ou exploração, encontram se agrupadas sobre a
área do campo de petróleo de onde se extrai o óleo bruto. O conjunto de plataformas,
é denominado de cluster. No Brasil, os clusters são normalmente formados por
unidades de exploração e de produção. Devido a simplificação do modelo decidiu-se
não considerar a alocação de plataformas de exploração no poço, portanto o cluster é
formado apenas por plataformas de produção do tipo FPSO.
Analisando casos na indústria de petróleo, quando a produção em um campo é
iniciada, normalmente há somente uma plataforma operando, devido a custos para a
fabricação de uma nova plataforma e dificuldades logísticas. Foi considerado um
período de tempo, para que o poço alcance 100% de operação, com todas as
plataformas atuando. O intervalo de tempo considerado é equivalente a um ano, entre
a ativação de uma plataforma e outra. No inicio da operação apenas uma plataforma
do cluster estará operando, em seguida duas, e assim por diante, assim, a primeira
plataforma ativada irá parar de operar antes das demais e a última será ativada três
anos após a ativação da primeira, consequentemente, irá parar de operar três anos
após a desativação da primeira, no ano 30 da simulação.
Gráfico 2: Número de FPSO instalados/planejados por ano no Brasil (Fonte: EDIN)
A vida útil das plataformas foi definida a partir de dois cenários de produção de
óleo, sendo o primeiro otimista e o segundo pessimista, ambos, com duração de 27
anos de vida útil.
27
Gráfico 3: Vida útil da plataforma
4.4.1. Posição e Dimensionamento do Cluster
Para determinar a distância do cluster ao porto, foi necessário definir a
distância do ponto de referência do cluster, foi realizada uma busca para identificar a
distância comum entre a maioria dos campos presentes na região do pré-sal e a costa,
de acordo com o Annual Report 2008, da Petrobras [26], obteve-se a informação
apresentada na Tabela 9.
Tabela 9: Distância média até a costa (Fonte: Petrobras Annual Report 2008, [26])
Campos Distância da costa (km) Azulão 345
Bem-te-vi 250 Caramba 300 Carioca 270 Guará 310 Iara 230
Júpiter 290 Parati 230
Parque das Baleias 80 Tupi 300
De acordo com esta tabela, os campos encontram-se com uma distância média
acima de 250 km, portanto, foi considerada na simulação uma distancia de 300 km
entre o ponto de referencia do cluster e o porto.
No Gráfico 4 é possível ver a distribuição do número de unidades marítimas por
cluster na região do pré-sal, são dados referentes a 14 clusters, adotados pela
0020406080
100120140160180200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
MM
BBL/
Ano
Ano
Otimista Pessimista
28
Petrobras e em operação na região. Estão inclusos no gráfico, unidades de produção
fixas, flutuantes e outras, como navios de perfuração e unidades de manutenção. É
possível observar também que a maior parte de unidades de produção flutuantes esta
presente em clusters composto por três ou quatro unidades, abrangendo
aproximadamente 24% e 20%, respectivamente. Portanto, como neste estudo foi
utilizada somente unidades flutuantes, foi considerado que um cluster será composto
de quatro plataformas.
Gráfico 4: Número de unidades de produção por cluster
Definido o número de plataformas presentes no cluster, foi necessário
determinar a distância entre estas plataformas, o que influencia no custo, devido à rota
de visita dos PSVs. Um estudo foi realizado, com dados de 71 pares de plataformas,
agrupadas em 14, como resultado obteve-se uma função de densidade de
probabilidade Log-Logistic, Equação 2, mostrada no Gráfico 5.
Equação 2: Função de densidade Log-Logistic
𝑓(𝑥) =
𝛼𝛽
∗𝑥 − 𝛾
𝛽
( )
1 +𝑥 − 𝛾
𝛽
A função densidade de probabilidade tem valores de, 𝛼 = 1.7422, 𝛽 = 14.766 e
𝛾 = − 0.59848. Através da função densidade obteve-se que a moda da distribuição,
com valor de 6,37 km, este valor foi considerado como a distância constante entre as
unidades.
29
Gráfico 5: Função densidade de probabilidade da distância entre plataformas dentro do cluster
(Fonte:COPPE)
A Figura 13 apresenta de forma simples a configuração das distâncias relativas
entre as unidades marítimas do cluster e o ponto de referência para medida da
distância do cluster à costa. As distâncias a, b, c, d, e, f, g são iguais.
Figura 13: Exemplificação de arranjo do cluster com quatro plataformas (Fonte: COPPE)
30
4.5. Meteorologia
Para analisar a influencia das condições meteorológicas no abastecimento as
plataformas, foram utilizado dados de representavam o estado de mar, isso foi
possível através das informações do Programa Nacional de Boias (PNBOIA), onde, a
partir de dados de uma boia de fundeio, localizada próxima a costa de Santos (-
25,27º;-44,93º), se obteve dados de vento e ondas, de 2011 a 2016, com frequências
médias de uma hora.
Com essa base de dados de relativo curto período de tempo, foi necessário
extrapolar os dados para assim aumentar sua precisão, então foi realizada uma
simulação de 15 anos através do software WAVE WATCH III, capaz de simular o
processo físico de crescimento, propagação e dissipação de ondas em duas
dimensões, a partir da soma da transferência de energia de campos de vento para as
ondas através de uma interação vento-onda, com a dissipação da quebra da onda e
as interações não lineares entre ondas. Portanto foi criada uma malha, representando
uma parcela da região do pré-sal, a qual se tratava da localidade específica da bóia
próxima a costa Santos. Com isso o programa realizou as devidas integrações
referentes às equações de espectros de onda e forneceu resultados para 15 anos de
simulação, obtendo assim mais de 131.000 registros, formando uma base de dados
consistente.
4.5.1. Critério de parada
Para adequar a simulação a realidade teve que se definir um intervalo de parada
da operação de carga e descarga dos PSVs nas plataformas, se buscou estar de
acordo com a norma regulamentadora para guindastes, NR 18, Item 14,
Movimentação e Transporte de Materiais e Pessoas.
“18.14.24.6.2: Deve ser interrompida a operação com a grua quando da ocorrência de
ventos com velocidade superior a 42km/h.” (Portaria SIT n.º 114, de 17 de janeiro de
2005)
Para encontrar a altura de onda referente a velocidade do vento limite de
operação, foi utilizada a Escala de Beaufort, que classifica a intensidade dos ventos,
classificando a altura de onda para cada faixa.
31
Tabela 10: Escala de Beaufort (https://en.wikipedia.org/wiki/Beaufort_scale)
Número de Beaufort Descrição Velocidade do Vento Altura de Onda
0 Calmo < 1 km/h 0 m
1 Aragem 1–5 km/h 0–0.2 m
2 Brisa Leve 6–11 km/h 0.2–0.5 m
3 Brisa Fraca 12–19 km/h 0.5–1 m
4 Brisa Moderada 20–28 km/h 1–2 m
5 Brisa Forte 29–38 km/h 2–3 m
6 Vento Fresco 39–49 km/h 3–4 m
7 Vento Forte 50–61 km/h 4–5.5 m
8 Ventania 62–74 km/h 5.5–7.5 m
9 Ventania Forte 75–88 km/h 7–10 m
10 Tempestade 89–102 km/h 9–12.5 m
11 Tempestade Violenta 103–117 km/h 11.5–16 m
12 Furação ≥ 118 km/h ≥ 14 m
Atendendo a norma NR18 e de acordo com a Tabela 10, o critério de parada
para operação de içamento da carga é de uma altura de onda entre 3 a 4 metros,
portanto será analisada as condições de altura de onda de 3, 3,5 e 4 metros.
4.5.2. Distribuições Meteorológicas
Definida as faixas de altura de onda que foram limitantes para cada condição de
operação, determinou-se que a melhor forma de ser implementado na simulação seria
a partir de um controlador que fosse governado a partir de distribuições probabilísticas
e que parassem as operações em caso de mau tempo.
Primeiramente foram estimadas as distribuições de probabilidade discretas dos
intervalos sucessivos de bom e mau tempo, para isso utilizando a base de dados
obtida com o software WAVE WATCH III, os dados foram divididos em trimestres e
para cada filtrou-se os períodos relativos aos intervalos de 3, 3,5 e 4 metros de altura,
encontrando, através do software EasyFit, uma distribuição de Bernoulli, para cada
trimestre, como mostrado na Figura 14 e nas Tabela 11,Tabela 12 e Tabela 13.
32
Tabela 11: Distribuições de Bernoulli para mau tempo em altura de 3 metros
Altura Distribuição p T1 3 Bernouilli 0.28972 T2 3 Bernouilli 0.44186 T3 3 Bernouilli 0.45455 T4 3 Bernouilli 0.40191
Tabela 12: Distribuições de Bernoulli para mau tempo em altura de 3,5 metros
Altura Distribuição p T1 3.5 Bernouilli 0.13115 T2 3.5 Bernouilli 0.39655 T3 3.5 Bernouilli 0.39623 T4 3.5 Bernouilli 0.30769
Tabela 13: Distribuições de Bernoulli para mau tempo em altura de 4 metros
Altura Distribuição p T1 4 Bernouilli 0.0408 T2 4 Bernouilli 0.33043 T3 4 Bernouilli 0.27723 T4 4 Bernouilli 0.1428
Figura 14: Saída de dados de distribuição discreta para ondas de 3 metros no quarto trimestre
33
Em seguida ainda utilizado o software EasyFit, para cada condição de bom e
mau tempo, relativo ao trimestre e altura de onda respectivo, encontrou uma
distribuição probabilística contínua que definisse o intervalo de tempo do período. O
software Quest tem uma lista limitada de distribuições, portanto para escolher a melhor
distribuição foi utilizado o teste de aderência de Anderson-Darling como critério de
escolha para determinar a melhor distribuição.
A estatística de Anderson-Darling mede o quão bem os dados seguem uma
distribuição específica. Em geral, quanto melhor distribuição se ajusta aos dados,
menor o valor da estatística de Anderson-Darling, ela é usada para calcular o valor de
p para o teste de qualidade do ajuste, que ajuda a determinar o que melhor se adapta
a distribuição dos dados. Os valores de p calculados a partir da estatística ajudam a
determinar qual modelo de distribuição deverá ser usado para uma análise de
capacidade ou uma análise de confiabilidade. [27]
Figura 15: Distribuição Gama para onda de 3 metros no terceiro trimestre e condição de tempo bom
A distribuição escolhida foi a Distribuição Gama, por ser a melhor distribuição
dentre as possíveis para serem interpretadas pelo software Quest, como mostrado na
Figura 16.
34
Figura 16: Critério de seleção AD
Portanto para cada altura de onda e em cada trimestre foi gerada uma
distribuição gama, listadas nas Tabelas 14, 15 e 16.
Tabela 14: Distribuições Gama de durações de tempo bom e ruim para altura de 3 metros
Tempo Ruim Tempo Bom Altura Trimestre α β Altura Trimestre α β
3 T1 1.486 9.3125 3 T1 2.4164 174.61 3 T2 1.6878 13.124 3 T2 1.1258 157.63 3 T3 1.3101 15.621 3 T3 1.0186 142.65 3 T4 1.1574 14.966 3 T4 1.4279 177.4
Tabela 15: Distribuições Gama de durações de tempo bom e ruim para altura de 3,5 metros
Tempo Ruim Tempo Bom Altura Trimestre α β Altura Trimestre α β
3.5 T1 2.8862 4.6342 3.5 T1 8.7481 69.856 3.5 T2 2.1501 8.8165 3.5 T2 1.5557 192.55 3.5 T3 1.5621 9.4121 3.5 T3 1.4249 174.82 3.5 T4 1.4604 8.0456 3.5 T4 2.174 185.68
35
Tabela 16: Distribuições Gama de durações de tempo bom e ruim para altura de 4 metros
Tempo Ruim Tempo Bom Altura Trimestre α β Altura Trimestre α β
4 T1 2.3642 1.9268 4 T1 31.611 21.853 4 T2 1.2198 10.959 4 T2 2.5053 167.19 4 T3 1.2847 10.342 4 T3 3.385 132.53 4 T4 2.3642 1.9268 4 T4 9.2639 66.125
4.6. Lógica da Simulação
Na lógica do software Quest, o porto é uma fonte de pedidos, ou, peças, source,
ele é responsável pela criação dessas peças, uma para cada plataforma. As peças
tem cada uma suas características, geradas de forma randômicas, de acordo com a as
distribuições de áreas, ou seja, são definidas no momento da criação, suas áreas de
load e backload.
Na realidade, a plataforma realiza um pedido de suprimento ao porto ou já tem
um tempo programado para envio de suprimentos, na simulação isto acontece da
mesma forma, o porto cria peças para as plataformas ativas duas vezes na semana.
As plataformas são classificadas como sink, pelo software, ou seja, são o destino final
dessas peças.
Assim quem as peças são criadas no porto, ele chama qualquer embarcação
para que seja possível o rápido atendimento. Primeiramente é verificado se há alguma
embarcação na área de fundeio, que não esteja operando, caso não haja, a primeira
embarcação que estiver disponível ira verificar se há espaço suficiente para carregar a
peça e, portanto, se encaminhar para o porto tentar carregar a peça, ou para o fundeio
para aguardar outro pedido.
Na simulação, o terminal terrestre foi considerado com capacidade ilimitada.
Portanto, não haverá filas de navios na chegada aos terminais. Por exemplo, os PSV
sempre encontrarão um píer disponível para carregar ou descarregar. Do mesmo
modo, o terminal terá capacidade de absorver e despachar toda a carga sem atraso ou
limitação de espaço. Seguindo com a lógica do Quest, as embarcações são
classificadas como labor, elas são responsáveis pelo transporte dos pedidos para as
plataformas. Os PSVs têm suas classes e características definidas, como mostrado na
Tabela 3 e Tabela 4, portanto não são capazes de carregar cargas maiores que sua
capacidade.
36
Figura 17: Exemplo de PSV na simulação
Eles atendem as plataformas de acordo com uma sequencia logica que cria uma
rota para não ocorrer de visitar a uma plataforma duas vezes ou visitar a uma
plataforma que não tenham pedidos para serem entregues ou retirados. Suas
velocidades variam de acordo com o mês do ano e atendem ao mostrado no Gráfico 1.
Após realizarem todos os pedidos verificam se há alguma peça na fila do porto
caso não haja retornam para a área de fundeio e aguardam serem chamados
novamente. A sequencia lógica é mostrada na Figura 19Erro! Fonte de referência
não encontrada..
Figura 18: Exemplo de PSV atendendo a uma plataforma na simulação
37
Figura 19: Fluxograma da lógica de simulação
38
4.7. Custo
A análise de custos é um fator muito importante para a logística offshore, pois
seu principal objetivo é a redução dos custos de operação. Os custos dos PSVs serão
calculados considerando que as embarcações são obtidas através de fretamento time-
charter, em contratos anuais e o pelo consumo de combustível consumido ao longo do
seu período de operação.
4.7.1. Time Charter
Para o contrato de afretamento de uma embarcação PSV, o tipo de contrato
mais comum é o de Time-Charter, no qual se aluga a embarcação por um determinado
período de tempo, acordado entre o proprietário do navio, fretador, e o contratante,
afretador. Os custos operacionais e de capital são de responsabilidade do fretador,
Figura 20, o qual cobra uma taxa pela utilização da embarcação através de uma pré-
determinada taxa de frete, time-charter, além deste custo existe o custo de viagem,
onde o principal custo é o combustível, o qual será de responsabilidade exclusiva do
afretador da embarcação. Por motivos de simplificação deste projeto foram
desconsiderados os custos portuários. Portanto os custos envolvidos no modelo de
simulação realizado são apenas o de time-charter e o custo com combustível.
Figura 20: Contratos de afretamento (Fonte: COPPE, UFRJ)
Para a determinação das distribuições de probabilidade para as taxas de
afretamento realizou-se um levantamento das séries disponíveis na base de dados da
Clarksonsnet [28]. As taxas obtidas são para PSV 4000 no mercado do Mar do Norte.
Para a análise da série precisava-se de dados de um maior período de tempo,
portanto foi necessária ser feita uma extrapolação utilizando o modelo geométrico de
reversão à média.
39
Segundo Pinto [29], Movimentos de Reversão à Média (MRM), podem
descrever melhor diversas variáveis que tendem a um nível de equilíbrio de longo
prazo. Portanto a escolha e parametrização correta de movimentos de reversão à
média são de grande importância para a avaliação de teoria de opções reais.
O modelo geométrico de reversão à média escolhido foi o de Dixit & Pindyck,
definido com uma MRM geométrico de fator único, de acordo com Pinto [29], no qual
uma variável P adicional aparece em cada termo no lado direito da equação, tendo um
processo geométrico, no qual o incremento de valor da variável passa a ser
proporcional ao nível da variável em si. Para a discretização do modelo geométrico é
usada a seguinte equação:
Equação 3: MRM de Dixit & Pindyck
𝑃 = exp 𝑙𝑛 𝑃 −𝜎
2 ∗ 𝜂 ∗ 𝐴∗ (1 − 𝑒 ∆ ) + 𝑙𝑛𝑃 ∗ 𝑒 ∆ + 𝜎 ∗
1 − 𝑒 ∆
2𝜂𝐴∗ 𝑁(0,1)
A partir da base de dados dos valores de time charter foi calculado o desvio-
padrão e a variância, sendo possível equacionar os valores das constantes presentes
na Equação 4.
Equação 4: Cálculo das constantes do MRM de Dixit & Pindyck
𝑞 = 𝑙𝑛 𝑃 −𝜎
2 ∗ 𝜂 ∗ 𝐴
𝑞 = (1 − 𝑒 ∆ )
𝑞 = 𝑞 ∗ 𝑞
𝑞 = 𝑒 ∆
𝑞 = 𝜎 ∗1 − 𝑒 ∆
2𝜂𝐴
Equação 5: Constantes do time-charter
𝑞 = 0,3230995
𝑞 = 0,8962638
𝑞 = 0,1061013
40
Com as constantes calculadas, foi possível gerar uma série randômica,
governada pela série temporal de preços do time-charter. O Gráfico 6, que representa
algumas das possíveis curvas de comportamento do preço futuro.
Gráfico 6: Comportamento do Time-Charter segundo MRM
4.7.2. Diesel
Assim como o cálculo do time-charter, o calculo de custo de Diesel também foi
calculado pelo MRM de Dixit & Pindyck, seus dados históricos foram retirados do site
Bunkerindex [30], nele foram obtidos os preços deste combustível a partir de Março de
2009 até o mês de Julho do ano de 2017.
Gráfico 7: Preços históricos de diesel
Assim foi possível calcular as constantes para a utilização do método de MRM e
gerar uma série randômica, governada pela série temporal de preços do diesel.
10.00
15.00
20.00
25.00
30.00
35.00
40.00
45.00
50.00
10 60 110 160 210 260
Média TC histórico s1 s2 s3 s4 s5
0
200
400
600
800
1000
1200
09/09/2008 22/01/2010 06/06/2011 18/10/2012 02/03/2014 15/07/2015 26/11/2016
$/to
n
41
Equação 6: Constantes do diesel
𝑞 = 0,004198
𝑞 = 0,9993663
𝑞 = 0,0091118
5. Resultados Preliminares
Para se iniciar as simulações e analisar seus resultados, com o objetivo de se
obter resultados satisfatórios, foi preciso determinar um número mínimo de iterações
para garantir sua precisão. Inicialmente foi gerada uma série com 50 iterações, com
cenário de quatro PSVs 3000, com altura de onda de quatro metros. O dado analisado
foi o custo total, pois seu valor está diretamente ligado a variáveis como o custo de
combustível e time charter.
Iteração Custo (US$) Iteração Custo (US$) 1 $ 1,102,363,000.00 26 $ 1,057,335,000.00 2 $ 1,073,701,000.00 27 $ 1,128,947,000.00 3 $ 1,159,506,000.00 28 $ 1,087,966,000.00 4 $ 1,105,512,000.00 29 $ 1,057,057,000.00 5 $ 1,108,095,000.00 30 $ 1,061,799,000.00 6 $ 1,037,484,000.00 31 $ 1,057,922,000.00 7 $ 1,091,378,000.00 32 $ 1,014,063,000.00 8 $ 1,139,204,000.00 33 $ 1,103,291,000.00 9 $ 1,114,665,000.00 34 $ 1,085,451,000.00
10 $ 1,037,504,000.00 35 $ 1,153,413,000.00 11 $ 1,173,127,000.00 36 $ 1,129,547,000.00 12 $ 1,130,833,000.00 37 $ 1,207,521,000.00 13 $ 1,025,080,000.00 38 $ 1,100,565,000.00 14 $ 1,084,712,000.00 39 $ 1,181,752,000.00 15 $ 1,106,278,000.00 40 $ 1,165,498,000.00 16 $ 1,153,903,000.00 41 $ 1,144,962,000.00 17 $ 1,100,093,000.00 42 $ 1,093,684,000.00 18 $ 1,100,989,000.00 43 $ 1,012,478,000.00 19 $ 1,119,128,000.00 44 $ 1,127,491,000.00 20 $ 1,117,473,000.00 45 $ 1,116,704,000.00 21 $ 1,070,689,000.00 46 $ 1,127,270,000.00 22 $ 1,112,034,000.00 47 $ 1,206,533,000.00 23 $ 1,113,120,000.00 48 $ 1,101,291,000.00 24 $ 1,123,722,000.00 49 $ 1,114,020,000.00 25 $ 1,127,814,000.00 50 $ 1,086,937,000.00
Média $ 1,107,038,080.00 Desvio Padrão $ 43,970,195.94
42
De acordo com Chwif e Medina [31], é possível definir um número ótimo de
iterações por um intervalo de confiança de acordo com a precisão desejada. A
equação define o intervalo de confiança de uma amostra de tamanho n e confiança de
100(1-α)%.
Equação 7: Intervalo de confiança
ℎ = 𝑡 , / ∗𝑠
√𝑛
ℎ: Metade do tamanho do intervalo de confiança;
𝑡 , / : Percentil da distribuição t de Student com n-1 graus de liberdade;
𝑠: Desvio padrão da amostra;
𝑛: Número de dados da amostra.
Com o valor de h encontrado, determinou o intervalo de confiança, [ 𝑥 − ℎ , 𝑥 +
ℎ], onde 𝑥 é a média amostral. No projeto realizado, desejou-se utilizar uma confiança
estatística de 99% ou seja, α = 0,01, com este valor e com o tamanho da amostra é
possível obter 𝑡 , . através da tabela de t de Student bicaudal, resultando em um
valor de 2,679 para o parâmetro t. Logo o valor de h, é dado pela equação 12.
ℎ = 2,679 ∗43.970.195,94
√50= 16.664.811,67
Como a média da amostra para 50 iterações é 1.107.038.080,00, o intervalo de
confiança é [1.090.373.268,33; 1.123.702.891,67]. Segundo Chwif e Medina [31], para
calcular o número ótimo de replicações, n*, devemos definir um nível de precisão h* e
aplicar na equação 13:
Equação 8: Número de replicações
𝑛∗ = 𝑛ℎ
ℎ∗
Primeiramente, o valor de precisão, h*, escolhido foi o equivalente a 0,5% da
média amostral, equivalente uma margem de U$ 55.351.904,00. Substituindo os
valores na Equação 8, se obteve o número ótimo de replicações igual a 5. Para um
melhor resultado e menor margem, foi definida a margem em U$ 40.000.000,00, o que
levou o número de iterações para 9, portanto foi decidido por realizar 10 iterações para
cada caso.
43
Gráfico 8: Resultado da simulação com 50 iterações, média e faixa de erro considerada.
6. Resultados
As simulações foram realizadas em três alturas diferentes de onda,
primeiramente buscou encontrar o número mínimo de embarcações para suprir aos
pedidos das plataformas sem que houvesse ociosidade ou subutilização de
embarcações, em seguida foram definidas frotas específicas para se verificar a
sensibilidade dos resultados de custo em cada variação. Para realizar os experimentos
foi utilizada uma máquina com CPU Intel® i7-4770 @ 3.40GHz, com memória RAM de
16 GB. O tempo computacional de uma iteração foi de aproximadamente 30 segundos
para cada, em casos onde havia pouca fila no porto, e alcançando tempos de até 15
minutos por iteração.
Para se iniciar as simulações foi necessário primeiramente realizar um pré-
dimensionamento da frota disponível, devido a inúmeras combinações possíveis, e
assim analisar e otimizar para as próximas simulações. Nessas primeiras simulações o
objetivo inicial era definir uma quantidade mínima de embarcações para não ocorrer o
acumulo de pedidos no porto, portanto foram realizadas variações na quantidade de
embarcações disponíveis para se comparar e analisar o comportamento da fila em
porto e o tempo de ociosidade do PSV.
Além da influencia meteorológica, foi possível pelos resultados da simulação,
uma análise para a seleção de frota para o caso estudado. Foi possível criar diferentes
combinações alterando a quantidade de PSVs para cada classe diferente, podendo se
ter uma frota composta somente de PSVs de mesma classe, mas isso não seria
possível para qualquer caso, devido ao tamanho de área necessária para cada pedido.
Considerando que um PSV deve atender as quatro plataformas, carregando somente
as cargas de porto e o backload da primeira plataforma. A probabilidade das cinco
$900.000
$950.000
$1000.000
$1050.000
$1100.000
$1150.000
$1200.000
$1250.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Milh
ões
44
cargas serem menores que a área útil do PSV 1500 é de 36,92%, podendo causar fila
no terminal independentemente das condições meteorológicas.
Portanto foi utilizado inicialmente somente PSVs 3000, variando a frota de PSVs,
como mostrado na Tabela 17. Observando o Gráfico 9.
Tabela 17: Frotas iniciais
Altura de Onda (m) PSV 3000
4 2 3 4
Gráfico 9: “Frota ótima”
Também foi analisado o caso para cinco PSVs 3000, mas o quinto PSV não
entrou em operação em nenhum momento durante os 30 anos de simulação. O perfil
de utilização dos PSVs, tanto para o cenário com dois quanto para o cenário com três
embarcações foram bastante similares, para as embarcações mais requisitadas,
ilustrado no Gráfico 10.
$0.00 $0.20 $0.40 $0.60 $0.80 $1.00 $1.20
0
10
20
30
40
2 3 4
Bilh
ões
Pedi
dos
na F
ila (u
nd)
Fila no Porto Custo Total
050001000015000200002500030000
0
10
20
30
40
2 3 4 Tem
po A
ncor
ado
(Dia
s)
Pedi
dos
na F
ila (u
nd)
Fila no Porto Tempo Ancorado
45
Gráfico 10: Perfil de utilização de PSVs mais requisitados
A diferença entre os perfis de utilização entre as embarcações com maiores
períodos de operação para as subutilizadas é visivelmente distinta. O gráfico de
utilização do PSV menos utilizado na simulação com quatro embarcações é mostrado
no Gráfico 11.
Gráfico 11: Perfil de utilização de PSVs subutilizados
Apesar de ter sido encontrado o número de embarcações máximo sem que haja
embarcações não utilizadas, isso não significa que o resultado é satisfatório, podendo
variar para cada condição de onda, portanto primeiramente serão apresentados os
casos considerados, em seguida será realizada uma análise de fila no porto, tempo de
navegação, tempo de atendimento a plataforma e custos.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Operando Ancorado
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Operando Ancorado
46
6.1. Fila no Porto
O custo agregado na operação de exploração de petróleo é muito elevado,
portanto uma parada na produção deve ser evitada ao máximo para se evitar perdas
financeiras de grande escala, o atraso de equipamentos e matérias para a plataforma
pode ser um fator de atraso na produção, portanto é imprescindível a análise de fila no
porto, para saber se os pedidos estão saindo nos prazos exatos.
Como mostrado na seção anterior, um PSV 1500 tem área útil pequena para
atender a alguns pedidos, uma frota composta exclusivamente dessa classe de PSV
não conseguiria atender a uma série de pedidos sem que houvesse fila até o final da
simulação, para que isso não ocorresse, uma frota não poderia ser composta
exclusivamente de PSVs 1500.
Primeiramente, para todos os casos foram analisadas as condições para altura
de onda de 3, 3,5 e 4 metros. As frotas geradas foram as mostradas nas Tabelas 18,
19 e 20.
Tabela 18: Frotas propostas com até dois PSVs
PSV 2 1500 0 0 0 1 3000 0 1 2 0 4500 2 1 0 1 Frota F21 F22 F23 F24
Tabela 19: Frotas propostas com até três PSVs
PSV 3 1500 0 1 0 1 0 1 3000 0 1 3 2 2 0 4500 3 1 0 0 1 2 Frota F31 F32 F33 F34 F35 F36
Tabela 20: Frotas propostas com até quatro PSVs
PSV 4 1500 0 0 0 1 2 2 3000 4 3 2 2 1 2 4500 0 1 2 1 1 0 Frota F41 F42 F43 F44 F45 F46
A partir de dos resultados das simulações se obteve como resultado a fila no
porto a cada novo pedido, ou seja a caso houvesse alguma peça que não pode ser
47
entregue e estava aguardando no porto isso era registrado. Portanto para a frota F21,
definida na Tabela 18, com altura de onda de três metros, mostrado no Gráfico 12,
houve um momento em que haviam 43 pedidos aguardando na fila, com isso decidiu
se verificar a máxima quantidade média de pedidos aguardavam em fila.
Gráfico 12: Fila no porto em F21 com altura de onda de três metros
Tabela 21: Exemplo de fila máxima no porto
Iteração Fila 1 33 2 42 3 56 4 41 5 43 6 34 7 35 8 48 9 52
10 50 Média 43.4
As simulações para frota F24 passaram a demandar muito tempo para
terminarem, devido ao acumulo de pedidos no terminal, portanto suas análises de 3,5
e 4 metros foram descartadas.
As médias máximas para as 10 iterações foram obtidas, como mostrado nas
Tabelas 22, 23 e 24.
0
5
10
15
20
25
30
35
40
45
48
Tabela 22: Tamanho médio da fila para as frotas com dois PSVs
Fila
F21 F22 F23 F24 3 m 43.7 43.6 44.2 -
3,5 m 45.2 39.4 32.6 -
4 m 43.4 45.9 30.8 438.7
Tabela 23: Tamanho médio da fila para as frotas com três PSVs
Fila
F31 F32 F33 F34 F35 F36 3 m 11.5 12.5 8.9 10.6 9.5 12.1
3,5 m 10.4 9.1 6.4 7.2 8.3 11.1
4 m 9 7.8 5.9 7.5 6.2 11.1
Tabela 24: Tamanho médio da fila para as frotas com quatro PSVs
Fila
F41 F42 F43 F44 F45 F46 3 m 5.8 4.5 6.4 7.4 7.6 6.4
3,5 m 3.2 2.6 3 3 6 6.2
4 m 3.4 1.6 2.2 1.6 5.4 5.3
Para a análise ficar mais visível são mostrados os Gráficos 12, 13 e 14.
Gráfico 13: Médias máximas de fila para cada frota com 2 PSVs em cada condição de onda
0
5
10
15
20
25
30
35
40
45
50
F21 F22 F23
3 m
3,5 m
4 m
49
Gráfico 14: Médias máximas de fila para cada frota com 3 PSVs em cada condição de onda
Gráfico 15: Médias máximas de fila para cada frota com 4 PSVs em cada condição de onda
Com essa análise é possível verificar a influencia da meteorologia na logística do
porto. À medida que a restrição de operação aumenta, ou seja, diminuía a altura de
onda para uma operação segura, a fila no terminal aumenta, pois o tempo de duração
de mau tempo faz com que o tempo de espera pela janela de bom tempo aumente,
aumentando o tempo que as embarcações operam.
6.2. Tempo de Viagem
Nessa seção será mostrada a influencia da meteorologia diretamente nas
embarcações, analisando as diferenças de tempo de operação para cada frota em
cada condição de operação.
0
2
4
6
8
10
12
14
F31 F32 F33 F34 F35 F36
3 m
3,5 m
4 m
0
1
2
3
4
5
6
7
8
F41 F42 F43 F44 F45 F46
3 m
3,5 m
4 m
50
Através dos dados obtidos na simulação pegou-se o tempo total de simulação e
o tempo de viagem de cada PSV e foi calculado o quanto, do tempo total de
simulação, em média, os PSV navegaram. Lembrando que os períodos de tempo de
ruim não interrompem a viagem do PSV somente as operações de carga e descarga
na plataforma.
Tabela 25: Porcentagem do tempo de viagem para as frotas com dois PSVs
Utilização
Frota F21 F22 F23 4 m 24% 27.6% 32.2%
3.5 m 23.6% 27.5% 32% 3 m 23% 26.9% 31.4%
Tabela 26: Porcentagem do tempo de viagem para as frotas com três PSVs
Utilização
Frota F31 F32 F33 F34 F35 F36
4 m 22.3% 23.9% 23.6% 24.1% 23.4% 23.4%
3.5 m 22.2% 23.8% 23.6% 24.1% 23.3% 23.4%
3 m 22% 23.7% 23.5% 24.1% 23.2% 23.3%
Tabela 27: Porcentagem do tempo de viagem para as frotas com quatro PSVs
Utilização
Frota F41 F42 F43 F44 F45 F46
4 m 17.7% 17.7% 17.6% 17.6% 18.1% 18.2%
3.5 m 17.7% 17.7% 17.6% 17.6% 18.1% 18.2%
3 m 17.7% 17.7% 17.6% 17.6% 18.1% 18.2%
51
Gráfico 16: Comparação do tempo de viagem para as frotas com dois PSVs
Gráfico 17: Comparação do tempo de viagem para as frotas com três PSVs
0%
5%
10%
15%
20%
25%
30%
35%
F21 F22 F23
4 m
3.5 m
3 m
20.50%
21.00%
21.50%
22.00%
22.50%
23.00%
23.50%
24.00%
24.50%
F31 F32 F33 F34 F35 F36
4 m
3.5 m
3 m
52
Gráfico 18: Comparação do tempo de viagem para as frotas com quatro PSVs
A partir dos resultados pode se perceber que como proposto, a meteorologia não
influencia na navegação, todo pedido requerido a uma plataforma será, de fato, entre a
plataforma, portanto o tempo de navegação, independente das condições de tempo
serão iguais. As diferenças de tempo entre simulações dependem somente da
aleatoriedade de eventos.
17.30%
17.40%
17.50%
17.60%
17.70%
17.80%
17.90%
18.00%
18.10%
18.20%
18.30%
F41 F42 F43 F44 F45 F46
4 m
3.5 m
3 m
53
6.3. Tempo na plataforma
O tempo de operação na plataforma está diretamente ligado aos períodos de
parada devido a entrada de mau tempo. A análise a seguir foi feita, utilizando os dados
das simulações, dividindo o tempo total de simulação pelo tempo de atendimento na
plataforma, para cada frota e altura de onda.
Tabela 28: Porcentagem do tempo de plataforma para as frotas com dois PSVs
Tempo na Plataforma
Frota F21 F22 F23 4 m 20.62% 17.21% 13.47%
3.5 m 21.14% 17.72% 14% 3 m 22.58% 19.18% 15.56%
Tabela 29: Porcentagem do tempo de plataforma para as frotas com três PSVs
Tempo na Plataforma
Frota F31 F32 F33 F34 F35 F36
4 m 13.82% 9.21% 9.08% 8.12% 9.64% 11.1%
3.5 m 14.25% 9.54% 9.39% 8.47% 10.01% 11.46%
3 m 15.41% 10.73% 10.5% 9.67% 11.19% 12.64%
Tabela 30: Porcentagem do tempo de plataforma para as frotas com quatro PSVs
Tempo na Plataforma
Frota F41 F42 F43 F44 F45 F46
4 m 6.82% 6.92% 7.21% 7.22% 6.52% 5.84%
3.5 m 7.03% 7.15% 7.43% 7.43% 6.78% 6.07%
3 m 7.9% 7.98% 8.43% 8.39% 6.52% 6.88%
54
Gráfico 19: Comparação do tempo de plataforma para as frotas com dois PSVs
Gráfico 20: Comparação do tempo de plataforma para as frotas com dois PSVs
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
F21 F22 F23
4 m
3.5 m
3 m
0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
14.00%
16.00%
18.00%
F31 F32 F33 F34 F35 F36
4 m
3.5 m
3 m
55
Gráfico 21: Comparação do tempo de plataforma para as frotas com quatro PSVs
Previsivelmente, o tempo de atendimento das menores alturas foi maior,
comparativamente, que o tempo de alturas maiores. Este fato ocorreu na maioria dos
casos, isto acarreta em uma eventual falta de PSVs no porto caso todos estejam
imobilizados em entregas as plataformas e presos dentro de um período de mau
tempo, atrasando a operação.
0.00%
1.00%
2.00%
3.00%
4.00%
5.00%
6.00%
7.00%
8.00%
9.00%
F41 F42 F43 F44 F45 F46
4 m
3.5 m
3 m
56
6.4. Custo
Para a análise de custo não foi considerado caso a caso, e sim a média das
frotas, de acordo com a quantidade de PSVs na frota. Comparativamente o custo de
time-charter e de combustível seria maior para as condições com mais PSVs,
independente do cenário. Portanto, somaram-se todos os custos de cada frota e tirou
a média dos conjuntos com 2, 3 e 4 PSVs.
Obtiveram-se então os seguintes dados, mostrados abaixo, sendo o valor médio
de custo de Time-Charter, Diesel, e a percentual do custo de combustível em relação
ao custo total.
Tabela 31:Custo médio de time-charter e combustível para arranjo com dois PSVs
Quantidade de PSV 2 Altura de onda Time-Charter Diesel % de Diesel
3 $ 504,824,423.33 $ 89,132,232.67 15.01% 3.5 $ 490,403,130.00 $ 88,820,749.00 15.33% 4 $ 494,571,160.00 $ 93,976,788.67 15.97%
Tabela 32: Custo médio de time-charter e combustível para arranjo com três PSVs
Quantidade de PSV 3 Altura de onda Time-Charter Diesel % de Diesel
3 $ 745,490,190.00 $ 129,800,718.33 14.83% 3.5 $ 741,633,593.33 $ 131,517,088.17 15.06% 4 $ 739,157,675.00 $ 127,567,653.67 14.72%
Tabela 33: Custo médio de time-charter e combustível para arranjo com quatro PSVs
Quantidade de PSV 4 Altura de onda Time-Charter Diesel % de Diesel
3 $ 971,583,883.33 $ 154,087,573.33 13.69% 3.5 $ 974,578,330.00 $ 154,227,530.00 13.66% 4 $ 973,250,570.00 $ 153,654,585.00 13.64%
Para a analise ficar mais visível, foram plotados com os dados acima os Gráficos
22, 23, 24, 25, 26 e 27.
57
Gráfico 22: Preço médio de time-charter e diesel para frotas com dois PSVs
Para efeito de comparação, como citado anteriormente, foi calculado o
percentual do custo de combustível em relação ao custo global.
Gráfico 23: Porcentagem do custo de combustível no custo total para dois PSVs
$504.82442 $490.40313 $494.57116
$89.13223 $88.82075 $93.97679
$-
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
3 3.5 4
Milh
ões
Time Charter Diesel
15.01%
15.33%
15.97%
14.40%
14.60%
14.80%
15.00%
15.20%
15.40%
15.60%
15.80%
16.00%
16.20%
3 3.5 4
58
Gráfico 24: Preço médio de time-charter e diesel para frotas com dois PSVs
Gráfico 25: Porcentagem do custo de combustível no custo total para três PSVs
$745.49019 $741.63359 $739.15768
$129.80072 $131.51709 $127.56765
$.000
$100.000
$200.000
$300.000
$400.000
$500.000
$600.000
$700.000
$800.000
3 3.5 4
Milh
ões
Time Charter
Diesel
14.83%
15.06%
14.72%
14.50%
14.60%
14.70%
14.80%
14.90%
15.00%
15.10%
3 3.5 4
59
Gráfico 26: Preço médio de time-charter e diesel para frotas com dois PSVs
Gráfico 27: Porcentagem do custo de combustível no custo total para quatro PSVs
Primeiramente, percebe-se que, assim como esperado, o custo de time-charter é
praticamente constante. O custo de combustível segue o mesmo padrão, isso ocorre
porque o consumo de combustível da embarcação durante o período de mau tempo é
muito baixo, sendo que o maior fator de influencia no custo é o período de viagem, e
independentemente da condição da altura de onda, na simulação, as embarcações
percorrerão a mesma distância para atender a todas as plataformas.
Para uma melhor análise, foi tirada a média de custo, por PSV em cada condição
de frota. Primeiramente foi realizado o custo médio, para todas as condições de altura
de onda, por PSV para todo o período de simulação, e em seguida o custo anual para
cada PSV.
$971.58388 $974.57833 $973.25057
$154.08757 $154.22753 $153.65459
$.000
$200.000
$400.000
$600.000
$800.000
$1000.000
$1200.000
3 3.5 4
Milh
ões
Time Charter
Diesel
13.69%
13.66%
13.64%
13.60%
13.61%
13.62%
13.63%
13.64%
13.65%
13.66%
13.67%
13.68%
13.69%
13.70%
3 3.5 4
60
Tabela 34: Custo médio total e custo médio anual por PSV, nas frotas com dois, três e quatro embarcações
Quantidade de PSV 2 3 4 Custo por PSV $ 293,621,413.94 $ 290,574,102.06 $ 281,781,872.64 Custo Anual $ 9,787,380.46 $ 9,685,803.40 $ 9,392,729.09
Gráfico 28: Custo médio total por PSV
Gráfico 29: Custo médio anual por PSV
Um arranjo com mais PSVs se mostra mais eficiente economicamente devido ao menor consumo global de combustível, pois apresentam mais embarcações que passam mais tempo fundeadas a espera de novos pedidos, reduzindo o custo de operação total
$293.62141
$290.57410
$281.78187
$274.000
$276.000
$278.000
$280.000
$282.000
$284.000
$286.000
$288.000
$290.000
$292.000
$294.000
$296.000
2 3 4
Milh
ões
$9.79
$9.69
$9.39
$9.10
$9.20
$9.30
$9.40
$9.50
$9.60
$9.70
$9.80
$9.90
2 3 4
Milh
ões
61
7. Conclusão
Com os resultados obtidos a partir das simulações executadas permitiram toda a
análise descrita, foi possível perceber a influencia que a meteorologia exerce sobre a
logística de suprimento offshore, pode se concluir que aumentando a restrição à altura
de onda limite para operação, a fila no porto aumentará, devido a falta de
embarcações disponíveis. Isso é também mostrado devido ao fato do tempo de
atendimento a plataformas aumentar devido a diminuição na altura de onda.
Os custos se mostram bem estáveis devido ao fato que as embarcações que
estavam paradas em mau tempo haviam seu consumo de combustível baixo, pois seu
maior consumo de combustível acontece durante a navegação, sendo que todos os
pedidos serão entregues nas plataformas, independente dos atrasos, portanto a
quanto maior a capacidade de carga da frota selecionada, menor será a quantidade de
viagens que deverão ser realizadas.
Com isso, uma frota com mais embarcações, apesar de ter um maior custo de
time-charter, consegue suprir as plataformas, independentemente das variações nas
condições meteorológicas, sem que haja grandes atrasos em porto, resultando então
em menores possibilidades de atraso nas entregas.
Para contornar o problema com o custo, sendo que na realidade embarcações
menores tem contratos de time-charter menores, uma solução que se mostrou
satisfatória, analisando as filas em porto, foi a diversificação de classes de
embarcações, frotas que haviam embarcações de mesma classe tinham maiores filas
que frotas com classes diversas.
Outra solução encontrada é a utilização de embarcações especiais, como Utility
Vessel, que atendem as plataformas para realizar uma entrega emergencial. O UT tem
maiores velocidades que um PSV e conseguiriam alcançar a plataforma dentro de
uma janela de bom tempo.
Um critério de melhoria para a simulação seria uma melhor análise de custos,
com time-charter diferentes para cada classe de PSV e assim uma frota específica,
dependendo das condições, poderia ser escolhida de acordo com os custos. Um outro
fator para aumentarmos a confiabilidade seria o aumento do número de iterações e
condições com configurações diferentes.
62
Referências Bibliográficas
[1] AMERICAN OIL AND GAS HISTORICAL SOCIETY. Offshore Petroleum
History – Disponível em: <http://aoghs.org/offshore-history/offshore-oil-history>
– Acessado em: 30 jul. de 2017
[2] MATHEDI, Josué Octávio Plácido. Embarcações de Apoio à Exploração de
Petróleo e Gás – Santos: 2010.
[3] OFFSHORE MAGAZINE. Tide anything but ebbing for the special offshore
vessel industry. Disponível em: <http://www.offshore-
mag.com/articles/print/volume-67/issue-9/supplement/tide-anything-but-ebbing-
for-the-special-offshore-vessel-industry.html> – Acessado em 07 de ago. de
2017
[4] WIKIPÉDIA. Campo de Lula – Disponível em:
<https://pt.wikipedia.org/wiki/Campo_petrol%C3%ADfero_de_Lula> –
Acessado em 30 de jul. de 2017
[5] WIKIPÉDIA. Camada do pré-sal – Disponível em:
<https://pt.wikipedia.org/wiki/Camada_pr%C3%A9-sal> – Acessado em 25 de
jul. de 2017
[6] DIÁRIO DO PRÉ-SAL. O que é o pré sal – Disponível em:
<https://diariodopresal.wordpress.com/o-que-e-o-pre-sal> – Acessado em 25
de jul. de 2017
[7] PORTAL BRASIL. Produção de petróleo no pré-sal supera a do pós-sal
pela primeira vez– Disponível em: http://www.brasil.gov.br/economia-e-
emprego/2017/07/producao-de-petroleo-no-pre-sal-supera-a-do-pos-sal-pela-
primeira-vez – Acessado em 31 de jul. de 2017
[8] ESTADÃO. Petrobrás muda gestão de logística e enxuga investimento –
Disponível em: <http://economia.estadao.com.br/noticias/negocios,petrobras-
muda-gestao-de-logistica-e-enxuga-investimento,136592e> – Acessado em 01
de set. de 2017
[9] KAISER, M. J.. An integrated systems framework for service vessel
forecasting in the Gulf of Mexico. Energy, 2010.
[10] KAISER, M. J.; SNYDER, B.. An empirical analysis of offshore
service vessel utilization in the US Gulf of Mexico – International Journal of
Energy Sector Management, 2010.
[11] AAS, B.; BUVIK, A. ; CAKIC, D.. Outsourcing of logistics activities in
acomplex supply chain: a case study from the Norwegian oil and gas
industry – International Journal of Procurement Management, 2008.
63
[12] AAS, B.; WALLACE, S. W. ; ØYVIND HALSKAU. The role of supply
vessels in offshore logistics – Maritime Economics & Logistics, 2009.
[13] BRITO, T.B.; SILVA, R.C.S.; BOTTER, R.C.; PEREIRA, N.N.; MEDINA,
A.C. Discrete event simulation combined with multi-criteria decision
analysis applied to steel plant logistics system planning. – Universidade
de São Paulo, SP, Brasil, 2010.
[14] SILVA, R. C. DOS S. Análises de tradeoff em sistemas de transporte
aquaviário com simulação de eventos discretos. – Universidade de São
Paulo, SP, Brasil, 2012.
[15] HERMETO, N.S.S.; FERREIRA FILHO, V.J.M..; BAHIENSE, L.
Logistics network planning for offshore air transport of oil rig crews,
Universidade Federal do Rio de Janeiro, RJ, Brasil, 2014.
[16] SHYSHOU, A.; GRIBKOVSKAIA, I.; BARCELÓ, J. A simulation study
of the fleet sizing problem arising in offshore anchor handling operations.
European Journal of Operational Research, v. 203, n. 1 , 2010.
[17] HALVORSEN-WEARE, E. E.; FAGERHOLT, K.; NONAS, L.M.;
ASBJØRNSLETT, B.E. Optimal fleet composition and periodic routing of
offshore supply vessels. European Journal of Operational Research, v. 223,
n. 2, 2012.
[18] ANEICHYK, T. Simulation Model for Strategical Fleet Sizing and
Operational Planning in Offshore Supply Vessels Operations, Molde
University College, Molde, Norway, 2009.
[19] RIBEIRO, L. S.; IACHAN, R. Dimensionamento Da Frota De
Supridores Para Plataformas De Petróleo. XLI SBPO. SOBRAPO, 2009
[20] BALLOU, Ronald H. Gerenciamento da cadeia de
suprimentos/logística empresarial. 5. ed. São Paulo: Bookman, 2006.
[21] NORLUND, Ellen K.; GRIBKOVSKAIA, Irina; LAPORTE, Gilbert –
Supply vessel planning under cost, environment and robustness
considerations – Omega, vol. 57, issue PB, pages 271-281, 2015
[22] Dassault Systeme – DELMIA Quest
[23] DRIFT, M van der – Offshore Cargo Handling – 2015
[24] R. P. Leite, Maritime transport of deck cargo to Petrobras fields in
Campos Basin: an empirical analysis, identification and quantification of
improvement points, PUC-Rio, Dissertação de Mestrado, 2012.
[25] WIKIPÉDIA. Sistema de Posicionamento Dinâmico – Disponível em:
<https://pt.wikipedia.org/wiki/Sistema_de_posicionamento_din%C3%A2mico> –
Acessado em 31 de jul. de 2017
64
[26] Petrobras. Annual Report 2008. Disponível em:
https://www.slideshare.net/petrobrasri/annual-report-2008 - Acessado em
25 de jul. de 2017
[27] MINITAB. Anderson Darling and distribution fit – Disponível em:
<https://support.minitab.com/pt-br/minitab/18/help-and-how-to/quality-and-
process-improvement/capability-analysis/supporting-topics/distributions-and-
transformations-for-nonnormal-data/anderson-darling-and-distribution-fit/> –
Acessado em 15 de ago. de 2017
[28] CLARKSONSNET - PSV Time-charter – Disponível em:
<www.clarksons.com>
[29] PINTO, C.L.B. Modelagem de Opções Reais com Processos de
Reversão à Média em Tempo Discreto: Uma Aplicação na Indústria
Brasileira de Etanol, PUC-Rio, RJ, Brasil, 2009
[30] Bunker Index – Diesel Prices – Disponível
em:<http://www.bunkerindex.com/prices/bixfree.php?priceindex_id=2> –
Acessado em 03 de mai. de 2017
[31] CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos
discretos. 3. ed. Rio de Janeiro: Elsevier, 2013, p. 8-13 ; 25-29 ; 116-122.
![0DFHLy GH 'H]HPEUR GH 'LiULR 2ILFLDO (OHWU{QLFR GR ... · 0dfhly gh 'h]hpeur gh 'liulr 2ilfldo (ohwu{qlfr gr 0xqlftslr gh 0dfhly $12 ;;, _ 1 zzz gldulrpxqlflsdo frp eu pdfhlr](https://static.fdocumentos.tips/doc/165x107/5ece971da9d59450221ec68e/0dfhly-gh-hhpeur-gh-liulr-2ilfldo-ohwuqlfr-gr-0dfhly-gh-hhpeur-gh-liulr.jpg)
![€¦ · $PD]RQDV GH 0DUoR GH 'LiULR 2ILFLDO GRV 0XQLFtSLRV GR (VWDGR GR $PD]RQDV $12 ,; _ 1 ZZZ GLDULRPXQLFLSDO FRP EU DDP](https://static.fdocumentos.tips/doc/165x107/605d2d3cfc9eb378007751de/pdrqdv-gh-0duor-gh-liulr-2ilfldo-grv-0xqlftslrv-gr-vwdgr-gr-pdrqdv-12-.jpg)
