Utilização de IA em processos de otimização para o projeto do sistema de ancoragem de uma plataforma offshore

Abstract

A exploração de petróleo em águas profundas (300-1500 metros) e ultraprofundas (>1500 metros) tem se intensificado nas últimas décadas, impulsionada pela descoberta das reservas do pré-sal no Brasil e pelo aumento global na demanda energética. Nessas regiões, a manutenção do posicionamento das plataformas depende diretamente do sistema de ancoragem, cujo projeto deve atender a critérios rigorosos relacionados ao deslocamento, tensões nas linhas e distribuição de carga. Nesse contexto, o projeto adequado e a análise detalhada desses sistemas são etapas fundamentais para garantir a segurança das operações sob condições ambientais adversas, como ondas, ventos e correntes marítimas. Esta dissertação apresenta uma metodologia estruturada em três etapas para otimizar o projeto de sistemas de ancoragem offshore. Na primeira etapa, realiza-se uma otimização multiobjetivo utilizando o algoritmo genético NSGA-II (Non-dominated Sorting Genetic Algorithm II), implementado no programa Synapse Offshore, programa desenvolvido pela Universidade Federal de Santa Catarina. Essa otimização utiliza cenários ambientais simulados pelos programas Dynasim, desenvolvido pela Petrobras, e Exmoor, programa resultante da colaboração entre a Universidade de São Paulo, a Universidade Federal de Santa Catarina e a Petrobras. O objetivo é identificar uma solução que minimize a porcentagem de deslocamento (offset) a partir do neutro, respeitando simultaneamente as restrições de tensão nas linhas, ângulo delta yaw neutro e carga nas âncoras. Na segunda etapa, desenvolve-se um modelo preditivo baseado em redes neurais artificiais, implementado em Python com o uso das bibliotecas TensorFlow/Keras para construção e treinamento das arquiteturas, e Scikeras em conjunto com Scikit-learn para validação cruzada (KFold) e ajuste de hiperparâmetros por meio do GridSearchCV. Os dados provenientes das simulações da etapa anterior são normalizados e organizados em conjuntos de treinamento, validação e teste. A qualidade das previsões é garantida por meio de validação cruzada e ajuste sistemático da rede neural. O modelo tem como função estimar os valores de deslocamento (offset) a partir do neutro, ângulo delta yaw neutro, tensões nas linhas e cargas nas âncoras. Na terceira etapa, o modelo preditivo substitui as simulações completas realizadas pelo Dynasim no processo de otimização. Essa substituição reduz significativamente o tempo de processamento das análises, possibilitando a avaliação rápida de um número maior de alternativas de projeto. Para garantir que a confiabilidade das soluções geradas esteja dentro dos limites técnicos estabelecidos, as previsões do modelo são validadas comparando-se seus resultados com simulações completas realizadas no Dynasim. Os resultados demonstram uma redução de aproximadamente 30% no tempo total das análises, mantendo-se a qualidade das previsões dentro de limites pré-estabelecidos. Além disso, o uso da abordagem proposta permite explorar mais soluções, facilitando a seleção de configurações adequadas para atender aos requisitos operacionais das plataformas offshore. A metodologia proposta contribui para maior eficiência e flexibilidade no desenvolvimento de sistemas de ancoragem e pode ser aplicada a outros problemas de engenharia naval e oceânica que envolvam simulações complexas e elevado custo computacional.

Abstract: Deepwater (300?1500 meters) and ultra-deepwater (>1500 meters) oil exploration has intensified in recent decades, driven by the discovery of Brazil?s pre-salt reserves and by the global rise in energy demand. In these regions, the maintenance of platform positioning depends directly on the mooring system, whose design must meet stringent criteria related to offset, line tensions, and load distribution. In this context, proper design and detailed analysis of these systems are fundamental steps to ensure operational safety under adverse environmental conditions such as waves, winds, and ocean currents. This dissertation presents a three-stage methodology for optimizing offshore mooring system design. In the first stage, a multi-objective optimization is carried out using the NSGA-II (Non-dominated Sorting Genetic Algorithm II) genetic algorithm, implemented in the Synapse Offshore software developed by the Federal University of Santa Catarina. That optimization employs environmental scenarios simulated by the Dynasim program (developed by Petrobras) and by Exmoor (the result of a collaboration between the University of São Paulo, the Federal University of Santa Catarina, and Petrobras). The objective is to identify a solution that minimizes percentage offset from the neutral point while simultaneously satisfying constraints on line tension, neutral delta-yaw angle, and anchor load. In the second stage, a predictive model based on artificial neural networks is developed in Python using TensorFlow/Keras for architecture construction and training, and Scikeras together with Scikit-learn for K-Fold crossvalidation and hyperparameter tuning via GridSearchCV. Data from the previous stage?s simulations are normalized and organized into training, validation, and test sets. Prediction quality is ensured through cross-validation and systematic network adjustment. The model estimates offset from neutral, neutral delta-yaw angle, line tensions, and anchor loads. In the third stage, the predictive model replaces the full Dynasim simulations within the optimization process. This substitution significantly reduces analysis processing time, allowing rapid evaluation of a greater number of design alternatives. To ensure that the reliability of generated solutions remains within established technical limits, the model?s predictions are validated by comparing them with full Dynasim simulations. Results show an approximately 30 percent reduction in total analysis time while maintaining prediction quality within predefined bounds. Moreover, the proposed approach enables exploration of a broader solution space, facilitating the selection of configurations that meet offshore platform operational requirements. The methodology contributes to greater efficiency and flexibility in the development of mooring systems and can be applied to other naval and ocean engineering problems involving complex simulations and high computational cost.