ACELERAÇÃO DO PROCESSO DE ANÁLISE DE RISCO APLICADA NO DESENVOLVIMENTO DE CAMPOS DE PETRÓLEO

Transcrição

1 ACELERAÇÃO DO PROCESSO DE ANÁLISE DE RISCO APLICADA NO DESENVOLVIMENTO DE CAMPOS DE PETRÓLEO Dra. Ana Paula A. Costa 1 Dr. Denis J. Schiozer 2 paula. ENGEPET@petrobras.com.br denis@dep.fem.unicamp.br ENGEPET/Petrobras UN-RNCE/ST/CER 1 Av. Eusébio Rocha, 1 Cidade da Esperança, , Natal -RN DEP/FEM/UNICAMP 2 Caixa Postal: 652., CEP: , Campinas-SP Abstract. Decision analysis applied to the development phase of petroleum field must include the risk associated to several types of uncertainties. In the transition of the appraisal to the development phase, the importance of risk associated to the recovery factor may increase significantly. The process is complex due to (1) high investments (2) large number of uncertain variables (3) strong dependence of the results with the production strategy definition. This complexity may, in several cases, cause difficulties to establish reliable techniques to assess risk correctly or it demands great computational effort. Therefore, methodologies to quantify the impact of uncertainties are still not well established because simplifications are necessary and the impact of such simplifications is not well known. The propose work bring the main aspects related to the validation of the simplifications necessary to the quantification of the impact of uncertainties in the risk analysis process. The adopted techniques are divided in three groups: (1) adoption of the automated process and use of parallel computing; (2) simplifications techniques in the treatment of attributes and (3) integration techniques of geological uncertainties with the different types of uncertainties (economical, technological and related with the production strategy). The simplifications techniques in the treatment of attributes involve mainly, the selection and treatment of critical attributes across the adoption of gradual combination and variation of levels number and associated probabilities combining the analysis with the time and necessary precision for the increase of the viability of the process and analysis of the aggregation influence of the attributes with the same characteristics. The integration of the geological uncertainties with the others uncertainties is made through the concept of representative models The Cases studies were based on an offshore Brazilian reservoir. The results show that the criteria adopted are good indicators of the viability of the methodology, improving the performance and reliability of the risk analysis process. Keywords: Uncertainties, Risk analysis, Automated process and Numerical simulation

2 1. INTRODUÇÃO A utilização do conceito de risco tem sido crescente nas áreas de exploração e produção na indústria de petróleo, devido ao elevado grau de incertezas que acompanham os projetos de E&P. A previsão de produção sob um enfoque probabilístico permite quantificar o impacto de incertezas e reflete a iteração das diversas incertezas consideradas relativas a propriedades dos reservatórios e fluidos e características operacionais, econômicas e tecnológicas. No início da fase de desenvolvimento, foco do presente trabalho, necessita-se de informações mais detalhadas a respeito da recuperação, número de poços, investimentos, produção de gás, de água, custos operacionais, capacidade de produção e injeção, etc. Neste período, algumas decisões críticas são necessárias. O processo é sempre complexo devido a: (1) altos investimentos; (2) grande número de variáveis incertas; (3) forte dependência dos resultados com a estratégia de produção. Dessa forma, torna-se necessária a utilização da simulação de fluxo nesta fase, objetivando aumentar a confiabilidade da análise e aumentando a qualidade dos resultados. Através das simulações de fluxo, as incertezas são expressas no modelo pelos atributos que caracterizam o modelo geológico, as propriedades de fluido e as propriedades de iteração rocha-fluido. Recentes avanços em hardware e software têm permitido a incorporação de uma previsão acurada do comportamento do reservatório. A fim de acelerar o processo, algumas ferramentas auxiliares e simplificações no processo são necessárias. O ponto chave então é definir quais simplificações e considerações podem ser feitas para melhorar o desempenho sem sacrificar a precisão. Pode-se dividir as técnicas de acelerar o processo de análise de risco em quatro grandes grupos: Técnicas que permitem acelerar o processo sem perda de informação, neste trabalho sendo utilizadas a automatização do processo e o uso da computação paralela; Modelagem simplificada do processo de recuperação do petróleo; Técnicas de simplificação do tratamento de atributos; e Técnicas de integração com os diversos tipos de incerteza (geológica, econômica, tecnológica, etc.) e com a escolha da estratégia de produção. Técnicas como automatização e computação paralela devem ser utilizadas sempre que possível, pois, em geral, só trazem benefícios. Em fases onde detalhes do processo são necessários, a técnica mais utilizada é a simulação numérica de reservatórios. O uso da simulação deve ser feito com cuidado, empregando a ferramenta mais adequada, o que normalmente se traduz em prever o comportamento do campo com o menor esforço computacional possível, desde que o processo físico esteja sendo simulado adequadamente. Torna-se importante dispor de uma metodologia bem definida, abrangente e confiável. Incertezas geológicas devem ser integradas com outros tipos de incerteza, principalmente relacionadas com cenários econômicos, tecnológicos e flexibilidade na definição da estratégia de produção. Dependendo do tipo do problema e dos objetivos do estudo, a utilização de algumas simplificações pode acarretar em decisões. O ponto chave é, portanto, definir quais simplificações e considerações podem ser feitas para melhorar o desempenho sem sacrificar a precisão dos resultados. O objetivo do presente trabalho é apresentar critérios de decisão na quantificação do impacto das simplificações adotadas no processo de análise de risco na fase de desenvolvimento de maneira a tornar o processo padronizado, confiável e de fácil utilização.

3 2. INCERTEZAS A quantificação da incerteza com relação ao desempenho de um campo permite uma melhor análise econômica de projetos de E&P, possibilita a obtenção das reservas sob uma ótica probabilística, auxilia na otimização dos planos de desenvolvimento e na tomada de decisão no gerenciamento dos reservatórios. Existem muitas incertezas que podem influenciar o sucesso de projetos de E&P. Além das incertezas relacionadas aos aspectos geológicos (volume in situ, modelo estrutural do reservatório, propriedades dos fluidos, rocha e interação rocha-fluido falhas, etc.), as mais comuns são relacionadas com (1) fator de recuperação (função das propriedades do reservatório e estratégia de produção); (2) velocidade de recuperação (função direta da estratégia de produção); (3) variáveis econômicas (principalmente preços); (4) tecnológicas (ex: investimentos); e (5) situações políticas (ex: regimes fiscais). 3. ANÁLISE DE RISCO O aumento dos investimentos necessários na prospecção de petróleo, desde a perfuração até a produção em águas cada vez mais profundas, tem forçado avaliações diante de vários cenários possíveis. A princípio utilizada no segmento de exploração com a finalidade de avaliação do risco e probabilidade de sucesso exploratório, além da quantificação de possíveis volumes in situ, a abordagem de análise de risco também tem sido difundida para as etapas de desenvolvimento da produção, sobretudo porque nessa fase encontram-se inseridos os maiores investimentos. Em previsões de produção de petróleo, a adoção do conceito de risco ao invés de uma única resposta determinística, vem crescendo bastante devido (1) ao elevado grau de incerteza que acompanha os projetos de exploração e produção (2) ao desenvolvimento de técnicas de modelagem e (3) ao avanço da capacidade computacional. O risco é função principalmente de (1) incertezas geológicas, (2) incertezas econômicas, (3) incertezas tecnológicas e (4) das decisões tomadas em cada fase de desenvolvimento do campo. Outros tipos de incerteza, como política, do ambiente regulatório e outras podem ser consideradas, mas não estão sendo priorizadas neste trabalho. 4. METODOLOGIA A metodologia de análise de risco adotada no presente trabalho encontra-se relacionada ao trabalho desenvolvido por Steagall (21) e tem como base a simulação de diversos modelos de fluxo que representam os possíveis cenários do reservatório através da combinação dos atributos incertos que os caracterizam. As principais dificuldades encontradas nesse processo se dividem em dois aspectos: (1) grande número de variáveis que devem ser consideradas, (2) esforço computacional requerido. O grande desafio do processo de análise de risco nessa fase é minimizar os efeitos ocasionados pelas incertezas que envolvem os atributos, através de métodos que possam viabilizar o processo, reduzindo assim o esforço computacional e de tempo. É relevante, portanto, a necessidade de simplificar o processo para justificar a viabilidade do mesmo, uma vez que se encontra envolvido um grande número de simulações. A utilização da automatização do processo, fazendo uso da computação paralela, é uma maneira de acelerar o processo. Contudo, é de extrema relevância quantificar o impacto dessas simplificações, pois

4 dependendo do tipo de problema e objetivos do estudo, o uso das mesmas pode acarretar em decisões incorretas. A metodologia apresentada tem sua justificativa na necessidade de um método de quantificação de incerteza e análise de risco com critérios de decisão e simplificação para comparação entre projetos e alternativas relativa ao plano de desenvolvimento, permitindo agilidade nos processos com respostas mais acuradas. De uma maneira geral, a mesma pode ser dividida segundo esquema apresentado na Figura 1. Passo I Quantificação de incertezas geológicas tratamento das simplificações Passo II Modelos representativos Processo Automatizado Passo III Integração com incertezas econômicas, tecnológicas e estratégia de produção Computação paralela Figura 1. Esquema do processo de quantificação de incertezas e análise de risco. Os tópicos envolvidos para acelerar o processo podem ser divididos em: Quantificação de incertezas geológicas Seleção e tratamento de atributos incertos importantes; Montagem automática dos modelos de simulação (Processo automatizado); Seleção de atributos críticos através da adoção da combinação gradativa; Simulação dos modelos combinados utilizando computação paralela; Variação do número de níveis e probabilidades associadas dos atributos críticos. Este passo é baseado no desempenho desses atributos críticos através da integração de funções-objetivo econômicas e de produção na análise de sensibilidade; Quantificação da influência da agregação para atributos de mesmas características; Seleção de modelos representativos (poucos modelos que podem representar as incertezas geológicas); Critérios de decisão. Outras técnicas, como por exemplo, Planejamento de Experimentos e Superfície de Resposta têm sido usadas para a quantificação do impacto das incertezas geológicas. Entretanto essas técnicas não foram utilizadas neste trabalho, pois o objetivo era fazer uma análise com a utilização de simulação numérica de reservatórios e utilização de simplificações no processo para posterior comparação com essas técnicas.

5 Integração das incertezas geológicas com incertezas econômicas e tecnológicas e relativas à estratégia de produção. Integração dos modelos representativos com a estratégia de produção; Integração com incertezas econômicas e tecnológicas; Critério de decisão. 5. APLICAÇÃO Os resultados apresentados são baseados em reservatório marítimo brasileiro. O caso analisado representa um campo com fortes heterogeneidades (permeabilidades variando de.1 md a 11mD), óleo pesado(17 º AP1), estratégia de produção baseada para poços horizontais contemplando um total de 44 poços. A função-objetivo principal adotada no processo da otimização da estratégia é o VPL para um período de 1 anos Os atributos incertos envolvidos são: modelo estrutural (area), contato óleo-água (Dwoc), permeabilidade horizontal (Kx), permeabilidade vertical (Kz), viscosidade do oleo (Vio), porosidade (por), compressibilidade (cpor), curva de permeabilidade relativa (Krow). 5.1 TRATAMENTO DE ATRIBUTOS Um dos tópicos para acelerar o processo consiste na seleção dos atributos críticos utilizando a análise de sensibilidade. As informações relativas aos níveis incertos dos atributos são alocadas automaticamente para o arquivo base sendo gerados modelos referentes a cada variação dos níveis. A função-objetivo principal é o VPL para 1 anos de produção. Além da adoção do Np como função-objetivo secundária, a função-objetivo Wp é incluída na análise, pois o modelo analisado apresenta um óleo pesado com uma elevada produção de água. A Figura 2 apresenta um exemplo da análise de sensibilidade para o VPL. A variação negativa em vermelho é com relação ao caso base, assim como para a variação positiva em azul. O critério de seleção dos atributos críticos é baseado na combinação gradativa. A grande vantagem do processo automatizado nessa etapa é a montagem da árvore derivativa na combinação dos atributos críticos, sobretudo porque essa fase concentra o maior esforço computacional do processo devido a grande quantidade de modelos envolvidos. No processo automatizado a combinação gradativa é iniciada através da adição seqüencial pela ordem crescente de expressividade dos atributos críticos para a função-objetivo principal, VPL e suas probabilidades associadas na montagem da árvore de derivação. O processo é executado até que as variações entre os percentis de cada combinação, juntamente com a medida de risco adotada, estabilizem. A Figura 3 apresenta as curvas de risco para a combinação gradativa e a Figura 4, a quantificação do processo de estabilização através das variações entre os percentis para cada combinação. Com a inclusão do sétimo atributo, Kz o processo estabiliza com pequenas variações entre os percentis.

6 Figura 2. Análise de sensibilidade para o VPL (1 anos). Figura 3. Curvas de risco para o VPL da combinação gradativa Figura 4. Variações nos percentis (P 1, P 5 e P 9 ) para VPL Quantificação do impacto da redução do número de níveis para atributos críticos Avalia-se nesse contexto o impacto da redução do número de níveis incertos para os atributos críticos envolvidos. A análise é feita para a redução de nível do atributo contato óleo-água (Dwoc) onde o nível eliminado é o otimista com menor expressividade. O processo de redução é avaliado combinando o Dwoc com o segundo atributo mais crítico, (Vio) e comparando o impacto da redução com o processo original que considera os três níveis para Dwoc. Os resultados mostram que a redução do seu nível menos expressivo não causa grandes variações nos percentis, sobretudo nos primeiros estágios de combinação. Mostram

7 também que à medida que o número de atributos combinados aumenta, a diferença do impacto da redução do nível do Dwoc na variação dos percentis é reduzida (Figura 5). Análises similares são executadas para outros atributos envolvidos no processo, como exemplo o Kz e observa-se na Figura 6 que a redução do nível de menor expressividade não implica em grandes perdas de informações. Analisando ainda a combinação desses efeitos através da redução simultânea de atributos, os resultados mostram pequenas variações para os percentis, contudo apresentando uma significativa redução no número de simulações, como mostra a Figura 7. Através do processo de redução simultânea, torna-se viável avaliar o impacto de atributos ainda menos expressivos, uma vez que o número de modelos combinados é significativamente menor. Variação no VPL (%) % -1% -1% -2% -2% -3% Impacto do aumento do nº de atributos combinados na redução de níveis para Dwoc Processo original (4 atributos_3níveis) P1 P5 P9 Percentis % 2 atributos (2níveis_Dwoc) 4 atributos (2níveis_Dwoc) Figura 5. Impacto do aumento de atributos combinados na redução de níveis para Dwoc Variação no VPL (%) % -1% -1% -2% -2% -3% -3% -1,38% 7atributos(2niv_kz) -,11% -2,47% P1 P5 P9 Percentis Figura 6. Variações nos percentis para a redução do nível menos expressivo do Kz Processo original (7atributos_3níveis) Redução simultânea (7atributos_2níveis_Dwoc e Kz) 25 Número de simulações Número de atributos Figura 7. Redução do número de simulações para o processo de redução simultânea Aumento do número de níveis incertos Embora a idéia de aumentar a discretização do número de níveis possa parecer contrária a viabilidade do processo, torna-se necessário avaliar que tipo de informação essa análise pode oferecer, em especial para um atributo crítico do processo. A partir do atributo Dwoc adota-se uma discretização de cinco níveis. A Figura 8 mostra uma variação significativa para o P 5.

8 Pode-se constatar que o processo do aumento de níveis permite avaliar alterações mais centralizadas não captadas pela análise de sensibilidade, além de reduzir significativamente o número de simulações envolvidas no processo de estabilização, uma vez que o número de atributos envolvidos no processo de estabilização é menor comparado ao processo original (7 atributos), como mostra a Figura 9. A grande vantagem da utilização do processo automatizado nestas análises é que o mesmo possibilita uma maior confiabilidade em começar com três níveis e avaliar o efeito do aumento de níveis conforme a necessidade, preservando as simulações realizadas para os níveis iniciais. VPL (Milhões US$) atributos (3níveis_Dwoc) 4atributos (5níveis_Dwoc) P1 P5 P9 Percentis Figura 8. Variações nos percentis para a comparação entre os processos 4 atributos Número de simulações Processo original (7atributos) Aumento_níveis (4atributos_5níveis_Dwoc ) Número de atributos combinados Figura 9. Variação entre o número de atributos e simulações no processo de estabilização entre os processos de aumento de níveis e original Agregação de atributos de mesmas características O principal objetivo da agregação é avaliar a possibilidade de alguns atributos serem agregados na redução do número de variáveis envolvidas, reduzindo o número de simulações e minimizando possíveis perdas de informações. Nesse exemplo, os atributos envolvidos no processo de agregação são selecionados através da sensibilidade para o VOIP. Os atributos selecionados são: por, area e dwoc. Os atributos selecionados para esse caso são combinados para a construção da curva de distribuição do VOIP na obtenção dos percentis P 1, P 5 e P 9. A relação principal adotada para o processo de seleção dos modelos representantes da agregação é o VOIP X Fr. O critério de seleção é baseado nos modelos que apresentam valores próximos aos percentis P 1, P 5 e P 9 relativos à função-objetivo principal definida, com grande variação em relação à função-objetivo secundária, como mostra um exemplo na Figura 1. Os modelos selecionados são representados pelos pontos vermelhos nos gráficos. O critério adotado na atribuição das probabilidades associadas aos modelos representativos é o do somatório das probabilidades dos modelos vizinhos envolvidos. A Figura 11 mostra a comparação entre as curvas de risco para os dois processos onde se observa uma boa representatividade desses modelos para a representação da agregação implicando numa significativa redução do número de simulações na adoção da agregação com relação ao processo original.

9 VOIS Milhões m P1 P5 P Fr% Figura1. Escolha dos modelos representativos pela representação VOIP X Fr% Fda curva de risco para VPL da agregação Original Agregação VPL Milhões US$ Figura 11. Comparação entre as curvas de risco dos processos de agregação e original 6. MODELOS REPRESENTATIVOS Após a quantificação das incertezas geológicas, o próximo passo é à determinação de modelos representativos dessas incertezas. Como função-objetivo principal é adotado o VPL e como funções-objetivo secundárias, o Np e Fr%. O critério de escolha é baseado nos modelos com significantes diferenças para o Fr% e próximos dos percentis (P 1, P 5 e P 9 ). A quantidade de modelos será dependente do cumprimento do critério de escolha adotado. A Figura 12 apresenta um exemplo dessa relação. Os modelos representativos selecionados são representados pelos pontos vermelhos nos gráficos. Os valores mais críticos de VPL são para os representativos pessimistas, uma vez que podem representar redução de atratividade se comparados com o caso base e o sucesso do desenvolvimento depende de uma análise detalhada no projeto de desenvolvimento. Dessa forma, a relevância de considerar a estratégia de produção como uma variável flexível no processo é importante. O ideal seria a otimização de todos os modelos envolvidos no processo, contudo para essa análise seria necessário um tempo excessivo, inviabilizando o estudo. Por este motivo à adoção de modelos representativos é justificável e parece ser um caminho viável para essa integração. A Figura 13 mostra através da variação dos percentis que os modelos selecionados apresentam boa representatividade do processo de quantificação geológica. Após essas análises é aplicado um processo de otimização para cada modelo. A Figura 14 mostra as variações entre os percentis antes e após a otimização onde se observa ganhos representativos com a otimização, especialmente para os modelos pessimistas. Essa diferença significativa mostra que o risco associado com a decisão da escolha da estratégia de produção é grande.

10 VPL (Milhões US$) P1 P5 P Figura 12. Escolha de modelos representativos (VPL x Fr%) Fr% VPL Milhões US$ Original P1 P5 P9 Percentis Mod_rep_antes_otimização Figura 13. Variações nos percentis para os modelos representativos da incerteza geológica em comparação com o processo original VPL Milhões US$ Mod_rep_antes_otimização Mod_rep_após_otimização P1 P5 P9 Percentis Figura 14. Variações nos percentis dos modelos representativos antes e após a otimização 7. INTEGRAÇÃO COM INCERTEZAS ECONÔMICAS E TÉCNOLÓGICAS Uma importante vantagem da utilização de modelos representativos é justamente viabilizar a integração com outros tipos de incertezas. Após a integração com a estratégia de produção, representada pelos modelos otimizados, a integração com incertezas econômicas e tecnológicas é iniciada. A incerteza tecnológica é avaliada nesse contexto apenas com relação a investimentos nos poços. Após a definição dos modelos representativos o processo de integração é iniciado através da análise de sensibilidade dos parâmetros econômicos, como mostra a Figura 15. Tendo em vista que o parâmetro econômico mais expressivo é o preço do óleo, uma nova curva de risco é obtida para os modelos representativos incluindo a incerteza no preço do óleo (Figura 16). Os pontos verdes são os modelos representativos mostrados para comparar a nova curva de risco com a análise de sensibilidade econômica de todos os parâmetros. A comparação entre as curvas de risco (geológica e econômica) mostra também a expressividade de incertezas econômicas quando comparadas com as incertezas geológicas. O intervalo de incertezas obtido pela curva de risco econômica é maior que o intervalo da curva de risco geológica.

11 modelos otimizados preço alto preço baixo investimento alto investimento baixo TIR alta TIR baixa Figura 15. Análise de sensibilidade econômica para os modelos representativos Percentil VPL Milhões US$ Curva de risco com incerteza econômica sensibilidade nos representativos Curva de risco original otimizada Figura 16. Nova curva de risco para os modelos representativos considerando incerteza no preço 8. DISCUSSÕES E CONCLUSÕES O objetivo principal do trabalho foi apresentar critérios de decisão e simplificação através da quantificação das incertezas geológicas e integração através de modelos representativos com incertezas econômicas e tecnológicas. Pode-se concluir: A decisão de aplicar no tratamento de atributos a redução de níveis encontra-se relacionada com a quantidade de atributos combinados necessária para a estabilização do processo. Se através da combinação o processo estabiliza para um número pequeno de atributos é prudente não aplicar esse tratamento, evitando assim maiores perdas de informações. A partir do terceiro ou quarto atributo combinado, o efeito da redução é minimizado, inclusive aumentando a viabilidade do processo através da redução do número de simulações com pequenas perdas de informações. A discretização através do aumento do número de níveis para o atributo crítico é uma maneira de quantificar variações centralizadas não captadas pela análise de sensibilidade. O processo de agregação de atributos permite a redução do número de variáveis de mesmas características, com impacto no volume através da escolha de modelos representativos desse processo sem grandes perdas de informações; A adoção de modelos representativos viabiliza a integração com outros tipos de incerteza, especialmente as relacionadas com os parâmetros econômicos e com a escolha da estratégia de produção. A quantidade de modelos selecionados é dependente da quantidade de modelos combinados, definidos no processo de quantificação das incertezas geológicas. A automatização é uma ferramenta fundamental, reduzindo significativamente o tempo demandado para o tratamento dos dados. A computação paralela ou distribuída é também uma ferramenta interessante para diminuir o tempo total da análise. Agradecimentos Os autores agradecem a ANP, Petrobras, FINEP e CNPq pelo suporte financeiro.

12 Nomenclatura Dwoc-Contato óleo-água Vio-Viscosidade do óleo Por-Porosidade Kx-Permeabilidade horizontal Kz-Permeabilidade vertical Kr-Curva de permeabilidade relativa Área-Modelo estrutural Co-Compressibilidade do óleo Cpor-Compressibilidade da rocha Cw-Compressibilidade da água Np-Produção acumulada de óleo Wp-Produção acumulada de água Fr%-Fator de recuperação VOIP- Volume de óleo in place TIR- Taxa interna de retorno P 1 - Percentil otimista P 5 - Percentil provável P 9- Percentil pessimista REFERENCES Costa, A.P.A, Quantificação do Impacto de Incertezas e Análise de Risco no Desenvolvimento de Campos de Petróleo, Faculdade de Engenharia Mecânica- Depto. de Engenharia de Petróleo, UNICAMP,Novembro de 23, 24 p. Tese (Doutorado) Demirmen, F., Subsurface Appraisal: The Road from Reservoir Uncertainty to Better Economics. In: SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, USA, SPE 6863, Abril, 21 Ligero, E.L., Costa, A.P.A. e Shiozer, D.J. Improving the Performance of Risk Analysis Applied to Petroleum Field Development, SPE Latin American and Caribbean Petroleum Engineering Conference, SPE 81162, Port-of-Spain, Trinidad, Abril, 23 Schiozer, D.J., Ligero, E.L., Suslick, S.B., Costa, A.P.A. e Santos, J.A.M. Use of Representative Models in the integration of Risk Analysis and Production Strategy Definition, JPSE, Aceito para publicação em Outubro de 23 Steagall, D.E. Análise de risco nas previsões de produção com simulação numérica de fluxo- Exemplo de um campo na fase de delimitação.campinas: Faculdade de Engenharia Mecânica, Unicamp, p. Dissertação (Mestrado)