Mostra i principali dati dell'item

dc.contributor.advisorMesquita, Alexandre
dc.contributor.authorGrzeça, Elielton
dc.contributor.otherVidor, Gabriel
dc.contributor.otherChiwiacowsky, Leonardo Dagnino
dc.contributor.otherKorzenowski, André Luis
dc.contributor.otherSouza, Marcelo Oliveira de
dc.date.accessioned2021-02-19T19:09:05Z
dc.date.available2021-02-19T19:09:05Z
dc.date.issued2021-02-18
dc.date.submitted2020-09-01
dc.identifier.urihttps://repositorio.ucs.br/11338/6803
dc.descriptionDurante o processo de exploração e produção de uma bacia petrolífera offshore, além da movimentação do petróleo e derivados, são movimentados os mais diferentes suprimentos necessários à manutenção das atividades. Para prover essa demanda, embarcações do tipo Platform Supply Vessels (PSV) compõem a maior parte da frota brasileira de embarcações de apoio às unidades marítimas. Devido aos altos custos associados às taxas de afretamento destas embarcações, petrolíferas devem considerar estratégias de contratos para se tornarem flexíveis às variações de cenários do mercado, para assim alcançarem um diferencial competitivo. Por conseguinte, a previsão de taxas futuras dos contratos de afretamento tem um papel fundamental. Este estudo apresenta um comparativo do desempenho de diferentes Redes Neurais Artificiais aplicadas nas previsões de taxas de afretamento de contratos por tempo de embarcações PSV no Brasil, considerando fatores associados à sua volatilidade. Nesta dissertação, foram utilizadas 53 variáveis independentes associadas ao mercado offshore nas previsões das taxas de afretamento, e comparados os resultados com previsões utilizando um número reduzido de variáveis através do método de seleção de variáveis com Regressão por Mínimos Quadrados Parciais (PLS). Com a seleção das variáveis de maior importância, foi possível reduzir o número de fatores para 10 nos dois modelos de estudo, para após comparar os resultados com três diferentes redes neurais. Como resultado, obteve-se um melhor desempenho e maior aderência em previsões utilizando Redes Neurais com Memórias de Longo-Curto Prazo (LSTM) em todos os modelos, quando comparada às redes neurais tradicionais na literatura, como as de Função de Base Radial e Perceptron Multicamadas. Também pode-se constatar que em quatro dos seis modelos de predição avaliados, a utilização de técnicas de seleção das variáveis de maior importância apresentou não só redução na complexidade do modelo como também apresentou reduções no Erro Percentual Médio Absoluto. Nas previsões das taxas de afretamento utilizando redes LSTM obteve-se erros inferiores a 3% para as duas classificações de capacidade de embarcações PSV estudadas, com um coeficiente de determinação de 84% no melhor caso [resumo fornecido pelo autor].pt_BR
dc.description.abstractDuring the exploration and production process of an offshore oil basin, in addition to the movement of oil and its derivatives, are moved the most different supplies used to maintain these activities. To supply this demand, the majority of the Brazilian fleet of support maritime units is make up of Platform Supply Vessels (PSV). Due to high costs associated with the charter rates of these vessels, oil companies must consider contracts strategies to become flexible to variations in market scenarios, in order to achieve a competitive advantage. Therefore, the future rates forecasting for charter contracts has a fundamental role. This study presents a comparison between different Artificial Neural Networks performances applied in the prediction of Term Charter Rates for PSV contracts in Brazil, considering factors associated with their volatility. In this master thesis, 53 independent variables associated with the offshore market were used in the charter rate forecasts, and the results were compared with forecasts using a reduced number of variables through the method of variable selection with Partial Least Squares Regression (PLS). With the selection of the most important variables, it was possible to reduce the factors' number to 10 in the two study models, after comparing the results with three different neural networks. As a result, better performance and greater adherence to forecasts were obtained using Neural Networks with Long Short-Term Memory (LSTM) in all models, when compared to traditional neural networks in the literature, such as Radial Base Function and Multilayer Perceptron. It was also possible to verify that in four of the six evaluated prediction models, the use of techniques of variables selection of greater importance presented not only a reduction in the model complexity, but also a reduction in the Mean Absolute Percentage Error. In the charter rates forecasts using LSTM networks, errors of less than 3% were obtained for the two classifications of PSV vessel capacity studied, with a coefficient of determination of 84% in the best case [resumo fornecido pelo autor].en
dc.description.sponsorshipPetróleo Brasileiro - Rio de Janeiro - Matrizpt_BR
dc.language.isoptpt_BR
dc.subjectContratos de afretamentopt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectIndústria petrolíferapt_BR
dc.subjectLogísticapt_BR
dc.subjectCharter-partiesen
dc.subjectNeural networks (Computer science)en
dc.subjectPetroleum, Industry and tradeen
dc.subjectLogisticsen
dc.titleRedes neurais aplicadas na previsão das taxas de afretamento por tempo de Platform Supply Vessels no Brasilpt_BR
dc.typeDissertaçãopt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.advisor.latteshttp://lattes.cnpq.br/8281902014218091pt_BR
mtd2-br.author.lattesGrzeça, Elieltonpt_BR
mtd2-br.program.nameMestrado Profissional em Engenharia de Produçãopt_BR
mtd2-br.campusCampus Universitário da Região dos Vinhedospt_BR
local.data.embargo2021-02-17


Files in questo item

Thumbnail
Thumbnail

Questo item appare nelle seguenti collezioni

Mostra i principali dati dell'item