IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006 Programa de Análise Inteligente Aplicado em Perfis de Produção dos Poços da Indústria de Petróleo e Gás Natural Paulo Alexandre Souza da Silva, Carlos Augusto Tavares da Costa Jr & José Augusto Lima Barreiros Abstract--Basic Production Logging can be interpreted in intermittent wells using the intelligent analysis program presents in this work, called PAINTWELL, which permits to use of same string configuration than a conventional Production Logging. This program can be performed in layered reservoir, determining the flowrate and type of the fluid for each production zone. The use of Artificial Neural Network as integrated part of this analysis program, provides a powerful tool to describe how downhole logging and advances in computer processing & interpretation data could spearhead the transformation that can take place in production logging with use of this new technique. This methodology should aid the production and reservoir engineering to solve recovery problems during the well life. The results of the production log using the PAINTWELL method is very similar to measurements using test separator in production facilities for each single perforated interval. This program was applied successfully for a typical intermittent well, which produces oil with high water cut using a gas-lift completion system. Index Terms—Well Log, Production Logging, Neural Networks I. INTRODUÇÃO H istoricamente, a técnica de perfilagem de produção de poços de petróleo tem sido utilizada em poços estáveis para a determinação do tipo e do comportamento do fluido produzido ou injetado nas formações completadas. A instabilidade na produção de um poço é caracterizada pela ocorrência das chamadas “golfadas” que podem gerar inconsistências nas medidas efetuadas com as ferramentas da perfilagem de produção convencional e, conseqüentemente, dificultando a sua interpretação. A solução para que o poço apresente estabilidade compatível com a técnica convencional da perfilagem de produção raramente é encontrada, principalmente, nas completações multizonas, onde há produção de hidrocarbonetos de diferentes reservatórios. Um poço com potencial comercial após ser perfurado é perfilado e, se houver indícios da presença de acumulação de óleo ou gás, é testado em uma ou mais zonas de interesse, para This work was supported by CNPq/FINEP/CT-PETRO, CAPES and Brazilian Petroleum National Agency (ANP) under PRH program. P. Alexandre S. S. is with Brazilian Petroleum National Agency - ANP, URCA – 22290-140, Rio de Janeiro/RJ, Brazil (email: [email protected]). C. A. Tavares-da-Costa Jr. and J. A. L. Barreiros are with the Federal University of Pará (UFPA), Campus Universitário do Guamá, 66000-000 , Belém, Pará, Brazil (e-mails: [email protected] and [email protected]). subsidiar a tomada de decisão sobre a sua completação e entrada em produção. O poço começa produzindo, geralmente, de forma natural (poços surgentes) e estável por um tempo considerável, onde as perfilagens com as ferramentas PLT (Production Logging Tool) podem ser utilizadas para o acompanhamento do perfil de produção [9]. Em uma segunda etapa, começam a aparecer alguns problemas: diminuição da pressão do reservatório, produção de água ou de gás em detrimento da produção de óleo, entupimento de canhoneios, aparecimento de parafinas no interior da coluna, corrosão no revestimento e na coluna de completação e fluxo cruzado entre os reservatórios [4]. As soluções para esses problemas nem sempre são conseguidas em operações simples, muitas vezes são trabalhos bastante complexos e dispendiosos; inclusive podendo ser necessária uma intervenção (workover) ou um novo método de elevação artificial, que introduzirá equipamentos novos à completação original, tais como: bomba de fundo, mandril de gás-lift com válvulas ou orifícios, hastes mecânicas e injetores de vapor [6]. Os métodos de elevação artificiais são os grandes responsáveis pela maioria das intermitências causadas nos poços de petróleo. O correto funcionamento de um método de elevação artificial torna-se muito importante na recuperação do poço, e além dos problemas mecânicos e hidráulicos inerentes ao próprio método, também está passível de ser afetado pela mudança do perfil de produção dos reservatórios produtores [8][10]. O método de elevação artificial não contínuo, usando um mandril de gás-lift, é um exemplo de poço intermitente e está baseado no conceito da elevação de pacotes de fluídos dos intervalos produtores por meio de injeções de determinados volumes de gás no interior da coluna de produção, através de válvulas de comunicação entre a coluna e o anular em diferentes profundidades. Portanto, a pressão no interior da coluna estará sendo periodicamente afetada pelas injeções de gás durante a produção dos pacotes de fluído do reservatório [4][6]. A dificuldade de se conseguir a estabilização das medidas (pressão, temperatura, vazão, densidade e constante dieléctrica), colabora para a falha na delineação do perfil de produção, em perfilagens que foram executadas seguindo os procedimentos convencionais para os perfis PLT (diferentes velocidades da ferramenta PLT em frente das zonas de interesse), em períodos de fluxo e de estática. As variações das medidas dificultam a determinação das contribuições 353 354 IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006 individuais dos intervalos produtores, uma vez que o regime de fluxo do poço não é constante; não sendo possível neste caso, a interpretação do perfil. Estas variações são inerentes aos poços intermitentes; daí então, a necessidade do desenvolvimento de um novo programa de análises [14] para este tipo de poço, freqüentemente encontrado nos campos petrolíferos maduros [15]. O programa PAINTWELL considera o mecanismo de produção do poço para estabelecer procedimentos operacionais e computacionais para a perfilagem de produção. A inovação deste programa está tanto na observação estacionária dos sensores comuns à ferramenta PLT, como também, na utilização de técnicas de inteligência computacional [2], via Rede Neural Artificial (RNA), para a determinação do valor do corte de água. II. METODOLOGIA O programa PAINTWELL pode ser usado para auxiliar na interpretação da perfilagem de produção em poços com fluxos intermitentes, começando com a determinação da periodicidade com que ocorrem as mudanças das medidas obtidas com os sensores da ferramenta PLT. Uma vez verificada a periodicidade, posiciona-se a ferramenta PLT, nas profundidades desejadas, definidas de acordo com as zonas de interesse do poço. A aquisição dos dados começa abaixo do intervalo de interesse. As próximas medições serão realizadas acima de cada intervalo completado. Logo, a última medição será realizada na profundidade acima do topo da zona de interesse do reservatório superior do poço. Todos os dados dos sensores são analisados individualmente utilizando a superposição das curvas obtidas em um ciclo de produção. A RNA é utilizada como ferramenta computacional capaz de generalizar[5] as variações da razão água-óleo (RAO ou BSW) da produção em cada intervalo do poço intermitente à partir dos dados obtidos pelos sensores de pressão, de temperatura e de densidade, que serão treinados e comparados com os dados da célula PVT (Tabela de relação entre PressãoVolume-Temperatura), quando disponíveis, obtidos a partir da amostra dos fluidos dos reservatórios produtores, obtidos em laboratório a partir de amostra de fluido do reservatório ou de poços de correlação. A análise PVT, através da liberação diferencial, realiza um estudo da depleção do fluido na temperatura de reservatório, com o decréscimo da pressão e retirada de toda a capa de gás formada em cada estágio até a condição de pressão atmosférica. Deste experimento, são determinados os valores do fator volume de formação do óleo (Bo); fator de volume de formação do gás (Bg); razão de solubilidade (Rs); massa específica da fase óleo (po); densidade, peso molecular e composição molar da amostra. O mesmo experimento é realizado para várias temperaturas, obtendo-se assim a relação entre a pressão, temperatura e densidade. A interpretação da perfilagem de produção em poços intermitentes, onde as medidas adquiridas pelos sensores sofrem variações em profundidade e no tempo, não pode ser encontrada por meio de uma metodologia convencional. A alteração nos procedimentos dos perfis de produção em poços ditos intermitentes, agora realizados também por estações que levem em consideração o modo de produção do reservatório, fez com que houvesse a necessidade do desenvolvimento de uma solução computacional para o cálculo instantâneo da área ocupada pelas fases na seção transversal da tubulação, conhecido como holdup, uma vez que para poços não intermitentes o holdup das fases é constante em profundidade. O holdup em um sistema bifásico é representada por Yh para a fase pesada e por Yl para a fase leve, assim como para um sistema trifásico ele é representado por Yo, Yg e Yw para óleo, gás e água, respectivamente. A solução apresentada neste trabalho utiliza técnicas de inteligência computacional, por meio de redes de neurônios artificiais, para calcular as relações entre as fases da mistura efluente dos reservatórios a partir da relação PVT. A Figura-1 exemplifica um poço com completação multicamadas sendo perfilado por ferramenta PLT. A cor laranja identifica rochas reservatórios e a cor marrom identifica as rochas impermeáveis, as quais isolam hidraulicamente as acumulações petrolíferas. Fig. 1. Exemplo de perfilagem de produção em completação multicamadas O programa de análises PAINTWELL finaliza o estudo da perfilagem de produção do poço, formulando sugestões para a melhoria do potencional do mesmo; tais como: x Recanhoneio ou ampliação dos intervalos; x Operações para estimulação dos intervalos de interesse (Exemplo: Acidificação) x Isolamento hidráulico de zonas produtoras; x Recuperação de casing ou tubing; x Substituição de obturadores (packers); e x Fechamento do poço. III. RESULTADOS Um poço do campo Lagunillas, localizado no Lago Maracaibo, Venezuela, foi escolhido para aplicarmos o PAINTWELL, com o objetivo de determinar o perfil de produção dos intervalos completados e interpretar o referido perfil para a recuperação do potencial deste poço. Antes da realização da perfilagem de produção, este poço encontrava- SOUZA DA SILVA et al.: INTELLIGENT ANALYSIS se produzindo aproximadamente 480 barris brutos por dia com 70% de água, com o método de elevação por gás-lift. Considerando que o poço encontrava-se com as válvulas de gás-lift calibradas, elevando com eficiência o fluido produzido, podemos afirmar que o mesmo estava em condição adequada para a obtenção do perfil de produção usando o PAINTWELL. Observamos pela carta de produção da Fig. 2., que tanto a pressão no revestimento, correspondente a pressão de injeção do gás-lift, quanto a pressão na cabeça do poço são intermitentes. Entretanto é possível verificar periodicidade dos eventos. O tempo de duração do ciclo mostrada na carta de produção é de aproximadamente 20 (vinte) minutos. 355 Pressão (Psi) 750 700 650 600 550 E1 E2 E3 E4 E5 E6 E7 500 450 0 Pressão no revestimento 5 10 15 20 Tempo (min) 25 30 35 40 Fig. 3. Superposição das medidas de pressão por estação Temperatura (ºF) 187 186.8 186.6 186.4 186.2 Pressão na cabeça do poço 186 185.8 E1 E2 E3 E4 E5 E6 E7 185.6 185.4 Fig. 2. Carta de Produção do poço estudado 185.2 A ferramenta utilizada para realizar a perfilagem de produção fez medições estacionárias de Pressão (Psi), Temperatura (°F), Densidade (g/cc), Dielétrico (UD) e Medidor de fluxo em rotações por segundo (rps ou RPS), as quais são apresentadas superpostas nas Fig. 3 a Fig. 7. A TABELA I mostra as profundidades escolhidas para a aquisição das medidas estacionárias dos sensores da ferramenta de PLT. TABELA I PROFUNDIDADE DAS MEDIÇÕES ESTACIONÁRIAS 185 0 5 10 15 20 25 Tempo (min) 30 35 40 Fig. 4. Superposição das medidas de temperatura por estação Densidade (g/cc) 1 0.98 0.96 Profundidade das Estações E1 – Estação 1 a X652 metros E2 – Estação 2 a X687 metros Código de Cores 0.94 0.92 E1 E2 E3 E4 E5 E6 E7 0.9 E3 – Estação 3 a X697 metros E4 – Estação 4 a X706 metros E5 – Estação 5 a X727 metros E6 – Estação 6 a X744 metros E7 – Estação 7 a X764 metros 0.88 0.86 0 5 10 15 20 25 Tempo (min) 30 Fig. 5. Superposição das medidas de densidade por estação 35 40 356 IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006 aprendizado variável [3][5][7][11]. As entradas da rede neural mostrada na Fig. 8 são as Pressões (P), Temperaturas (T) e Densidades (D), e a saída da RNA é a WATER HOLDUP – Yw. Para evitar problemas numéricos, os valores das variáveis de entrada são normalizados. Assim, os valores de pressão são divididos por 1000 e a temperatura é apresentada em uma escala entre 0 e 1 utilizando-se a seguinte relação: T T ( F ) 185 2 (1) Dielétrico (UD) 80 79 78 77 76 75 74 E1 E2 E3 E4 E5 E6 E7 73 72 71 f1 f2 f1 f2 f1 f2 f3 70 0 5 10 15 20 Tempo (min) 25 30 35 40 Fig. 6. Superposição das medidas de dielétrico por estação Medidor de Fluxo (RPS) 1.4 Fig. 8. Topologia da Rede Neural Artificial (RNA) usada 1.2 O treinamento da RNA foi realizado apresentando os padrões de entrada/saída da tabela PVT em lote (batch training), utilizando o algoritmo de retropropagação do erro com fator de momento ( D 0,9 ) e taxa de aprendizado 1 0.8 0.6 0.4 E1 E2 E3 E4 E5 E6 E7 0.2 0 10 12 14 16 18 20 22 Tempo (min) 24 26 28 variável. A RNA foi treinada durante 350.000 épocas e a somatória do erro quadrático obtido ao final do treinamento da rede foi de 1.657 x 103, com o erro quadrático médio por padrão sendo igual a 8.3705 x 106. A Figura 9 apresenta o gráfico que mostra a evolução da somatória do erro quadrático e da taxa de aprendizado ao longo do processo de treinamento. 30 10 0 ERR Fig. 7. Superposição das medidas de fluxo por estação Verificá-se que o poço estudado apresenta variações nas medidas dos sensores de PLT em tempo e profundidade, bem como confirma a produção bifásica (óleo e água) medida na superfície pelo operador, a partir dos níveis das medidas dos sensores de pressão, temperatura, densidade e dielétrico da ferramenta de perfilagem. Isto demonstra a necessidade de conhecer bem as relações entre pressão, volume e temperatura dos fluidos produzidos. A análise dos fluídos produzidos por um poço petrolífero é realizada em laboratório, obtendo-se assim a tabela PVT. Na ausência de valores encontrados em laboratório, diversos programas computacionais aproximam razoavelmente estes valores a partir dos intervalos prédeterminados de pressão, temperatura e densidade dos fluidos produzidos[1] [4][6]. No poço analisado, utilizou-se uma RNA direta, escolhida empiricamente para minimizar erro em 350.000 épocas, com 2 camadas ocultas, utilizando funções de ativação sigmóide para todas as camadas, momento, retropropagação do erro e taxa de 10 10 10 -1 -2 -3 0 0 .5 1 1 .5 2 2 .5 3 3 .5 x 10 5 0 .1 0 .0 8 0 .0 6 0 .0 4 0 .0 2 0 0 0 .5 1 1 .5 2 2 .5 3 3 .5 x 10 5 Fig. 9. Erro Médio Quadrático e Taxa de Aprendizagem da RNA Todos os padrões de treinamento disponíveis (80% dos valores obtidos na Célula PVT) foram utilizados para treinar a RNA. Para fazer a validação da RNA após o processo de treinamento, comparou-se a saída da rede com a saída desejada (Todos os valores da Célula PVT), observando-se, SOUZA DA SILVA et al.: INTELLIGENT ANALYSIS 357 também, o comportamento do erro quadrático de cada padrão de entrada da rede [12] [13], o que é mostrado na Fig.10. 1 0.5 Assim, sabendo que o revestimento é de 7 polegadas com peso de 26 #/pé, pode-se calcular a vazão de óleo (Qo) e a vazão de água (Qw) para cada intervalo multiplicando as velocidades das fases pela área interna do revestimento. A distribuição percentual do corte de água (Water Cut) entre as estações pode ser observada na Fig. 12. 0 Yrede Ydesejada -0.5 1 (3) e como por definição Vo = Vs +Vw, então temos : Vw = Vmed – [Vs x (1-Yw)] (4) 1.5 -1 Vmed = [Yw x Vw + (1-Yw) x Vo] 0 20 x 10 40 60 80 100 120 140 160 180 -4 0.8 Water Cut (%) 0.6 100 WC1 WC2 WC3 WC4 WC5 WC6 0.4 90 0.2 0 80 0 20 40 60 80 100 120 140 160 180 70 Fig. 10. Comparação entre as saídas da RNA x Desejada e o Erro Quadrático A diferença entre as velocidades das fases, chamada de “SLIPPAGE VELOCITY – Vs”, pode agora ser calculada sem problemas se aplicarmos a calibração do medidor de fluxo para obtermos velocidades das fases a partir dos valores em RPS, uma vez que a “WATER HOLDUP – Yw” é calculada pela RNA, cuja a saída Yw está mostrada na Fig. 11. 60 50 40 30 20 10 Water Holdup (x100 %) 1 0 12 14 16 18 0.9 20 22 Tempo (min) 24 26 28 30 Fig. 12. Corte de água para cada estação durante o ciclo 0.8 0.7 Finalmente, a Fig. 13 mostra a produção de cada intervalo produtor do poço, encontrada através da técnica descrita ao longo deste trabalho. 0.6 0.5 Produção (BPD) 0.4 600 E1 E2 E3 E4 E5 E6 E7 0.3 0.2 0.1 0 12 14 16 18 20 22 Tempo (min) 24 26 28 Água (Bwpd) Óleo (Bopd) Qtotal 500 400 30 300 Fig. 11. Yw para cada estação durante o ciclo de produção 200 A equação que calcula as diferenças de velocidades entre as fases, Vs em pés/min, é função da densidade do óleo no fundo do poço (Uo), da densidade da água no fundo do poço (Uw) e da WATER HOLDUP – Yw. Esta equação é mostrada abaixo [9]: (2) Vs= 39,414 x (Uw-Uo)0,25 x e -0,788 x Ln[1,85/(Uw- Uo)] x (1-Yw) 100 A partir do cálculo de Vs, pode-se calcular as velocidades da fase água (Vw) e a da fase óleo (Vo), uma vez que a velocidade média da mistura (Vmed) é calculada pelo medidor de fluxo. A equação que relaciona Vmed, Vw e Vo [9] é mostrada a seguir: 0 -100 0 12 23 34 45 Intervalo Produtor entre Estações 56 67 Fig. 13. Produção (barris/d) das fases por intervalo produtor Os resultados da Fig. 13 sugerem as seguintes melhorias no potencial de produção: isolar hidraulicamente os intervalos de alto valor de RAO ou BSW, ampliar os intervalos de baixo valor de RAO ou BSW ou ainda, recanhonear os intervalos com baixa produção. 358 IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006 Technical Reports: IV. CONCLUSÃO A interpretação dos dados obtidos utilizando a técnica PAINTWELL, apresentada neste trabalho, está baseada na análise em profundidade e no tempo das medidas obtidas pelos sensores da ferramenta PLT. Os cálculos são realizados para todos os dados adquiridos durante um ciclo de produção do poço, por meio da superposição das medições estacionárias e da utilização de técnicas de inteligência computacional. Comparando-se os resultados obtidos pelo método PAINTWELL e os valores previamente disponibilizados pela gerência de produção responsável pelo poço estudado, tem-se praticamente o mesmo valor bruto de produção, mas um valor menor para o corte de água . Isto ocorre devido o poço ter sido fechado para a realização da verificação mecânica das condições do poço antes da perfilagem. O fechamento do poço restaura a pressão e o contacto oléo/água do reservatório, diminuindo assim a produção de água das zonas produtoras por um período proporcional ao tempo de fechamento do poço. Assim, recomenda-se que durante a operação PLT o poço esteja alinhado para medição. A arquitetura da rede neural proposta neste trabalho poderá ser utilizada em todas as perfilagens em poços intermitentes, sendo que o intérprete ou engenherio de petróleo deverá realizar um novo treinamento da RNA com os dados obtidos da análise PVT dos fluidos efluentes para cada um dos poços. A técnica apresentada pode auxiliar na perfilagem e na interpretação das vazões produzidas em poços intermitentes, constituindo-se um avanço tecnológico na interpretação dos perfis de produção em poços com vários intervalos produzindo simultaneamente. V. AGRADECIMENTOS Os autores agradecem ao convênio CNPq/FINEP/CT-PETRO, CAPES e ao programa ANP/PRH pelo suporte finaceiro para a realização da pesquisa. VI. REFERÊNCIAS BIBLIOGRÁFICAS Periodicals: [1] [2] C.Wang, K.U.Klatt, G.Dunnebier, S.Engel and F. Hanish, "Neural network-based identification of SMB chromatographic processes," Control Engineering Practice, vol. 11, pp. 949-959, Aug. 2003. J.Miartens and N.Weymare, "An equalized error backpropagation algorithm for the on-linetraining of multiplayer perceptrons," IEEE Trans. On Neural Networks, vol.13, pp 532-541, May. 2002. Books: [3] D. E. Rumerlhart and J. L. McClelland (eds.). 1986. Parallel Distributed Processing: explorations in the microstructure of cognition, Vol. 1. Cambridge, MA, MIT Press. [4] E. O. Earlougher Jr, 1997. Advances in Welltest Analysis, 1977. Schlumberger. 2.ed., p. 264. [5] F.M. Azevedo; L.M. Brasil and R.C. Oliveira L., 2000. Redes Neurais com aplicações em Controle e em Sistemas Especialistas . 2000. 2d., Visual Books. [6] J.Aitken and V.G.Racht, Reservoir and Production Fundamentals, 1982. Schlumberger. 2.ed., p.205. [7] S. Haykin 2001. Redes neurais – princípios e prática. 2.ed., Porto Alegre, Bookman. [8] S.J. Pirson 1977.Geologic Well Log Analysis.2. ed.,Houston, Gulf. [9] Schlumberger, Production Log Interpretation. 1973. ed., p. 92. [10] Schlumberger, Well Services. 1989. Principios y Aplicaciones de la Interpretación de Registros. Mexico. p.198. [11] M. Moreira and E. Fiesler, 1995. Neural Networks with Adaptive Learning Rate and Momentum Terms. 1985. IDIAP Technical report. Papers from Conference Proceedings (Published): [12] A. I. Fichetti and A. J. N. Andrade, 1999. Automatic first breack picking in seismic traces by neural network. In: Congresso Internacional da Sociedade Brasileira de Geofísica, 6., Rio de Janeiro, 1999. Anais..., Rio de Janeiro, SBGf. CD-ROM. [13] A. J. N. Andrade and S. M. Luthi, S. M. 1997. Correlação estratigráfica de perfis de poço através de rede neural direta multicamadas. In: CONGRESSO INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFÍSICA, 5., São Paulo, 1997. Anais..., São Paulo, SBGf, v.1, pp. 369-372 [14] P.Alexandre S.S. and A.J.N. Andrade J, A. 2001. Perfilagem de Produção em Poços Intermitentes. In: CONGRESSO INTERNACIONAL DA SOCIEDADE BRASILEIRA DE GEOFÍSICA, 7., Salvador, 2001. Anais..., Salvador, SBGf, v.2, pp. 1503-1506. Dissertations: [15] P. Alexandre S.S., "Perfilagem de Produção em Poços Intermitentes" MSc. dissertation, Dept. Geofísica. PPGGf, , UFPA, 2002. VII. BIOGRAFIAS Paulo Alexandre Souza da Silva was born in Belém, Brazil, on September 4, 1965. He received his B.E. in electrical engineering from the Federal University of Pará (UFPA), Brazil, in 1987. In 2002, he received his M.Sc. degree in geophysics from the Federal University of Pará (UFPA). His employment experience included General Field Engineer with Schlumberger Ltda. (14 years), associate professor at the Technology Department in UEPA, Petroleum Consultant in EPF project for Petrobras and geophysical analyst in CPRM/ANP/BDEP – Petroleum Exploration and Production Databank. He is a regulation specialist in Brazilian Petroleum National Agency – ANP since 2005 and his research interests are well logs, multiphase flow measurements and neuro-fuzzy systems applied in Testing & Production petroleum services. Carlos Tavares-da-Costa Jr. was born in Belém, Brazil, on July 29, 1966. He received his B.E. in electrical engineering from the Federal University of Pará (UFPA), Brazil, in 1987. In 1991, he received his M.Sc. degree in electrical engineering from the Federal University of Rio de Janeiro (UFRJ). He also has a DEA (1996) and Docteur (1999) degrees in “Automatique et Productique” from Grenoble Polytechnic National Institute, France. He is an associate professor at the Electrical and Computer Engineering Department in UFPA since 1997 and his research interests are fuzzy and adaptive systems applied in power system control. José Augusto Lima Barreiros was born in Belém, Brazil on July, 4, 1951. He received his B.E. degree in electronic engineering from Federal University of Pará (UFPA), Brazil, in 1974. He also received his M.Sc. degree in Electrical Engineering from UMIST (The Institute of Science and Technology of The University of Manchester), UK, in 1989, and his degree of Doctor in electrical engineering from Federal University of Santa Catarina (UFSC), Brazil, in 1995. He is with UFPA since 1976, where he has presently the rank of Titular Professor, and is the Vice-Director of the Technological Center. His main areas of research are control systems and applications of control in power systems.