pt016 modelo costo riesgo en bombas electrosumergibles
Post on 29-Dec-2015
10 Views
Preview:
TRANSCRIPT
APLICACIÓN DEL MODELO COSTO-RIESGO PARA LA SELECCIÓN ÓPTIMA DE FRECUENCIAS DE REEMPLAZO
DE BOMBAS ELECTROSUMERGIBLES EN POZOS DE PRODUCCION DE PETROLEO
Ing. Karina Semeco R2M Ing. Medardo Yañez – R2M INTRODUCCION La Metodología que a continuación se detalla esta basada en un Modelo de Optimización denominado Modelo Costo-Riesgo, el cual permite determinar el nivel óptimo de riesgo y el número adecuado de mantenimientos para obtener el máximo beneficio con mínimo impacto en el negocio. Para el caso particular en el que se aplica este procedimiento se consideró la estadística de fallas de 129 bombas electrosumergibles instaladas en pozos productores empacados pertenecientes a una unidad de explotación en la industria del gas y del petróleo, los cuales son productores de un mismo yacimiento TERMINOS BASICOS Probabilidad de Falla: es una medida de la posible ocurrencia de un evento de falla. Puede estar basada en historia de falla (estadística) ó en la condición ( monitoreo del deterioro). Distribución Probabilística: modelos que permiten caracterizar y cuantificar la incertidumbre asociada a una variable; es decir modelos que consideran todos los posibles valores que dicha variable puede tomar. Riesgo: Termino de naturaleza probabilística, definido como la probabilidad de tener una perdida y comúnmente se expresa en unidades monetarias. Su propósito fundamental es soportar el proceso de toma de decisión.
Fig 1. Riesgo
Consecuencia: esta referida al efecto ocasionado por una acción y puede estar representado por perdidas de producción, costos de reparación, impacto ambiental, impacto en seguridad entre otros. Incertidumbre: es una medida de la inseguridad o grado de desconocimiento acerca de una variable o evento Modelo Básico propuesto para la evaluación del nivel de incertidumbre presente en una decisión: se refiere al modelo en el cual se reconoce, cuantifica y propaga la incertidumbre asociada a las variables de entrada en las variables de salida. Tradicionalmente estos modelos se manejan matemáticamente
con Simulación de Montecarlo (método numérico) o con el Método de los Momentos basado en la Serie de Taylor (método analítico)
Fig 2. Modelo Basico Propuesto
Modelos de decisión basados en riesgo: existen tres tipos de modelos que permiten la toma de decisiones considerando el riesgo asociado al proceso, estos son: Modelos pasa o no pasa, Modelos de jerarquización y Modelo de Optimización. En esta aplicación se hace utiliza un modelo de optimización conocido como Optimización Costo-Riesgo. Modelo de Optimización Costo Riesgo: modelo que permite determinar el nivel óptimo de riesgo y la cantidad adecuada de mantenimiento, para obtener el máximo beneficio o mínimo impacto en el negocio. En la figura 3 se muestra gráficamente el modelo mencionado, y en el mismo pueden destacarse tres curvas que varían en el tiempo: .- la curva del nivel de riesgo (riesgo = probabilidad de falla x consecuencia) .- la curva de los costos de la acción de mitigación del riesgo, en la cual se simulan los costos de diferentes frecuencias para la acción propuesta. .- la curva de impacto total, que resulta de la suma punto a punto de la curva de riesgos y la curva de los costos. El “mínimo” de esta curva, representa el “mínimo impacto posible en el negocio” y esta ubicado sobre el valor que puede traducirse como el período o frecuencia óptima para la realización de la actividad de mitigación; un desplazamiento hacia la derecha de este punto implicaría “asumir mucho riesgo” y un desplazamiento hacia la izquierda del mismo implicaría “gastar demasiado dinero”. Es importante resaltar que cada una de dichas curvas representas distribuciones probabilísticas ya que se parte del hecho de que se ha considerado el nivel de incertidumbre de las variables de entradas.
Fig 3. Modelo Costo-Riesgo
Descripción del Proceso / Sistema
Descripción Descripción del Proceso / Sistemadel Proceso / Sistema
Estimación deProbabilidadesEstimación deEstimación deProbabilidadesProbabilidades
Basada en la Historia
(Estadística del Proceso/Sistema)
Basada en la Condición
(Monitoreo del Proceso/Sistema)
Basado en el conocimientoempírico del
proceso
Pérdidas deProducción
Costo deReparación
ImpactoAmbiental
ImpactoPersonas
Pérdidas deMercado
Pérdidas deVentajas
Tecnológicas
Pérdidas deReputación
CuantificaciónDel Riesgo
CuantificaciónCuantificaciónDel RiesgoDel Riesgo
Estimación deConsecuenciasEstimación deEstimación deConsecuenciasConsecuencias
Variables de Variables de EntradaEntrada(Información)
E =(A+B+C)
DE =
(A+B+C)D
ETAPA 2:PROPAGACION DE LAINCERTIDUMBRE ASOCIADA ACADA VARIABLE EN EL MODELOMATEMATICO.
ETAPA 1:CUANTIFICACION DE LA INCERTIDUMBREASOCIADA A LAS VARIABLES DE ENTRADA OCARACTERIZACION PROBABILISTICA DE LASVARIABLES DE ENTRADA
ETAPA 3:CUANTIFICACION DE LA INCERTIDUMBREASOCIADA A LA VARIABLE DE SALIDA ORESULTADO, O CARACTERIZACIONPROBABILISTIA DEL RESULTADO
0,15 0,15 0,15 0,15 0,150,15 0,15 0,15 0,15 0,15
A
0,15 0,15 0,15 0,15 0,150,15 0,15 0,15 0,15 0,15
A
0,92 0,93 0,95 0,96 0,980,92 0,93 0,95 0,96 0,98
D0,92 0,93 0,95 0,96 0,980,92 0,93 0,95 0,96 0,98
D
0,76 0,78 0,80 0,82 0,850,76 0,78 0,80 0,82 0,85
B0,76 0,78 0,80 0,82 0,850,76 0,78 0,80 0,82 0,85
B
18,50 19,25 20,00 20,75 21,5018,50 19,25 20,00 20,75 21,50
C
18,50 19,25 20,00 20,75 21,5018,50 19,25 20,00 20,75 21,50
C,000
,021
,041
,062
,083
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
E
,000
,021
,041
,062
,083
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
,000
,021
,041
,062
,083
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
,000
,021
,041
,062
,083
50.680,17 54.456,64 58.233,11 62.009,58 65.786,05
E
,000
,250
,500
,750
1,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
E
,000
,250
,500
,750
1,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
E
,000
,250
,500
,750
1,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
,000
,250
,500
,750
1,000
50.000,00 54.375,00 58.750,00 63.125,00 67.500,00
E
Punto OptimoPunto Optimo
CO
ST
O P
OR
AÑ
O (
MM
Bs
)
500
1000
1500
2000
2500
3000
3500
CO
ST
O P
OR
AÑ
O (
MM
Bs
)
500
1000
1500
2000
2500
3000
3500
1 2 3 4 5 6 7 8 9 10 11 12 1 3 14 15 16 17 18 19 201 2 3 4 5 6 7 8 9 10 11 12 1 3 14 15 16 17 18 19 20
INTERVALO DE TIEMPO (ANOS)
RIESGO=R(tRIESGO=R(t))
R(t)=PROB. DE FALLA X CONSECUENCIA
RIESGO=R(tRIESGO=R(t))
R(t)=PROB. DE FALLA X CONSECUENCIA
COSTO=C(tCOSTO=C(t))C(t )= COSTO DE LA ACCION PROPUESTA
PARA DISMINUIR EL RIESGO; MODELADO
A DIFERENTES FRECUENCIAS.
COSTO=C(tCOSTO=C(t))C(t )= COSTO DE LA ACCION PROPUESTA
PARA DISMINUIR EL RIESGO; MODELADO
A DIFERENTES FRECUENCIAS.
IMPACTO IMPACTO TOTAL=I(tTOTAL=I(t))I(t)= IMPACTO TOTAL SOBRE EL NEGOCIO
I(t)=R(t)+C(t)
IMPACTO IMPACTO TOTAL=I(tTOTAL=I(t))I(t)= IMPACTO TOTAL SOBRE EL NEGOCIO
I(t)=R(t)+C(t)
Fig 4. Flujograma del Modelo Costo-Riesgo
SOFTWARE UTILIZADO La herramienta utilizada dentro de esta metodología fue el software “Crystal Ball” un complemento (add-in) de Excel, el cual es desarrollado y comercializado por empresa Decisioneering. Es un software de fácil uso que permite determinar las distribuciones probabilísticas de una serie de datos específicos o en su defecto asignar a una serie de datos un comportamiento conocido con base a la opinión de expertos. Igualmente facilita los procesos de simulación de Montecarlo. CASO PRÁCTICO A continuación se presenta una metodología detallada para determinar el tiempo óptimo de reemplazo de equipos de Bombeo Electro sumergible para una Unidad de Explotación de Petróleo basado en el Modelo Costo-Riesgo, haciendo uso del software Crystal Ball, tal metodología de trabajo puede ser extendida a cualquier campo que produzca petróleo con este método. Para dicho análisis se partió de data inicial real correspondiente a 129 pozos con BES. Paso 1: Determinar una distribución Acumulada de la Variable Días de Operación sin falla. Para generar una Distribución Probabilística a partir de un conjunto de datos reales, se utiliza la herramienta “Crystal Ball”. Este “Software” debe estar instalado en la “PC” o a nivel de Red, el cual al ser activado, presentará un libro Excel con una barra de herramientas adicional a la tradicionalmente conocida en este programa, tal y como se muestra en la figura 5:
Fig 5. Barra de Herramienta Crystal Ball
Barra de Herramientas Crystal Ball Para la generación de las distribuciones probabilísticas se debe seguir el siguiente procedimiento: a.- En una hoja Excel, con la aplicación de “Cristal Ball” activada se organiza la información sujeta al análisis, para el ejemplo, un conjunto de datos asociados a pozos, en este caso: días de operación de las BES, producción bruta y producción neta, tal como se muestra en figura6:
Fig 6. Modelo de Base de Datos
POZO DIAS OPER
TIEMPO (HORAS) BBPD BNPD
UD 612 312 0,9 266 137
UD 619 738 2,0 470 429
UD 623 393 1,1 747 732
UD 624 564 1,5 186 155
UD 626 589 1,6 700 681
UD 632 315 0,9 190 187
UD 634 693 1,9 660 621
UD 635 182 0,5 700 638
UD 637 717 2,0 651 626
UD 638 590 1,6 930 553
UD 640 619 1,7 288 280
UD 662 1.363 3,7 591 568
UD 676 634 1,7 550 545
UD 678 583 1,6 740 732
UD 679 641 1,8 727 144
UD 680 578 1,6 640 631
UD 681 611 1,7 1081 107
UD 682 597 1,6 1740 172
UD 685 377 1,0 796 694
UD 688 360 1,0 368 352
UD 692 169 0,5 767 757
UD 693 135 0,4 798 788
UD 694 50 0,1 637 620681 681 399
b. Se ubica el cursor y se activa la celda de la variable sujeta al análisis. Esta celda debe estar definida por un valor numérico colocado manualmente. Generalmente, se coloca el valor promedio del conjunto de datos asociados a dicha variable. Ver Figura 7.
Fig 7. Modelo de Base de Datos
UD 692 169 767 757
UD 693 135 798 788
UD 694 50 637 620681 681 399
Promedio Días deOperación
c.- Una vez ubicados en la celda correspondiente se hace un “click” en el icono de “Define Assumption” (Ver figura 8), sobre la barra de herramientas para activar la distribución Probabilística:
Fig 8. Modelo de Base de Datos
Define Assumption
El programa mostrará automáticamente la galería de modelos probabilísticos, tal como se muestra en la figura 9:
Fig 9. Galeria de Distribuciones
d. Para seleccionar la distribución que mejor se ajusta al “set”de datos debe hacerse en el recuadro “Fit”. El programa mostrará en pantalla un recuadro donde el usuario indicará el rango de datos a cotejar probabilísticamente, tal como lo muestra la figura 10:
Fig 10. Selección de Datos
e. Hacer “click” en el recuadro “Next” para ir a la siguiente pantalla, en este momento se activarán las opciones indicadas en la figura 12. Para finalizar se hace “click” en el recuadro “OK”. Se recomienda seleccionar como Ranking Method a Chi-Square Test cuando se cuenta con más de 25 datos.
Fig 12. Definición de la Distribución Probabilística
El programa muestra en cada una de las gráficas la comparación entre el modelo probabilístico generado en su formato acumulado y la data real en forma de histograma acumulado; tal como se muestra en la figura 13.
Fig 13. Definición de la Distribución Probabilistica
f. Se ubica el cursor y se activa la celda de la variable sujeta al análisis. Seleccionar el icono “Define Forecast” de la barra de herramientas. Este icono le indica al sistema la ejecución de una ecuación en donde el resultado será una distribución probabilística calculada, a partir de una Simulación Montecarlo.
Fig 14. Botón Define Forcaste
Define Forcaste
g. Para iniciar el calculo, se hace click en el icono “Start Simulation” de la barra de herramientas. En este momento se observará en pantalla todas las iteraciones realizadas por el programa. El resultado tendrá ahora una distribución probabilística definida, la cual será producto de combinar aleatoriamente las distribuciones asociadas a cada variable. En la siguiente figura se observa la distribución probabilística para la variable días de operación:
Fig 15. Distribución Probabilistica Días Operativos
h. Si se desea determinar la distribución probabilística acumulada de la variable días de operación, hacer click en View y seleccionar “Cumulative Chart”.
Fig 16 Distribución Acumulada Días Operativos sin falla
Cumulative Chart
,000
,250
,500
,750
1,000
0
10000
0 563 1.125 1.688 2.250
10.000 Trials 157 Outliers
Forecast: C131
Paso 2: Determinar una distribución Probabilística de la Variable producción neta por día (BNPD). Repetir el procedimiento anterior para la variable bnpd.
0,00 305,90 611,80 917,69 1.223,59
D131
Fig 17. Distribucion Lognormal de la Variable BNPD
Paso 3: Definir a partir de la Distribución Acumulada de la Variable Días de Operación sin falla (Fig. 16) la probabilidad de falla para tiempos específicos de operación, como se muestra a continuación:
Tiempo Probabilidad
de fallaConfiabilidad
250 23,05 76,95500 46,74 53,26750 63,77 36,23
1000 77,02 22,981250 85,85 14,151500 91,47 8,531750 95,06 4,942000 97,19 2,812250 98,66 1,34
Representando dichos resultados en forma gráfica, como se muestra en la siguiente figura, se observa que a partir de los 500 días de operación la probabilidad de falla es mayor del 50%.
0
10
20
30
40
50
60
70
80
90
100
0.7 1.4 2.1 2.7 3.4 4.1 4.8 5.5 6.2
Tiemp o (años)
%
Probabilidad de FallaProbabilidad de Falla
ConfiabilidadConfiabilidad
Fig 18. Probabilidad de Falla / Confiabilidad
Paso 4: Calcular la distribución del riesgo para cada tiempo de operación, considerando:
RIESGO = PROBABILIDAD DE FALLA * CONSECUENCIA
CONSECUENCIA = (bnpd* precio de venta * tiempo de reparación) +
Costos de reparación + probabilidad de dañar el pozo * (bnpd* precio de venta * tiempo de reparación)
Si no se cuenta con suficiente data histórica, se recomienda considerar las variables precio de venta del crudo, tiempo de reparación, costos de reparación como distribuciones triangulares construidas a partir de la opinión del experto. PR EC IO D E VE N TA ($/B L)
MIN IMO PR O MED IO MAX IMO10 18 21 18
C O STO D E R EPAR AC IO N ($)MIN IMO PR O MED IO MAX IMO300000 400000 600000 400
TIEMPO D E R E PAR AC IO N (IN TR + ES PER A D E G AB AR R A)MIN IMO PR O MED IO MAX IMO
20 30 40 40TIEMPO D E R E PAR AC IO N (IN TR )
MIN IMO PR O MED IO MAX IMO5 7 10 10
10,00 12,75 15,50 18,25 21,00
D148
5,00 6,25 7,50 8,75 10,00
D158
Fig. 19. Distribución Triangular Precio de Venta ($/bl)
Considerar la probabilidad de dañar el pozo, como: P= probabilidad de dañar el pozo = Número de pozos dañados / Número total de pozos = 1/10 = 0.01 Paso 5: Determinar la distribución del costo para tiempo de operación del equipo. COSTO = (bnpd* precio de venta * tiempo de mantenimiento) + costos de reparación + probabilidad de dañar el pozo * (bnpd*
precio de venta * tiempo de reparación)
RIESGO
Tiempo (AÑO)
Probabilidad de falla
Confiabilidad COSTO 1IMPACTO TOTAL 1
17014.6 0.7 23.05 76.95 73816.0 90830.58834501.6 1.4 46.74 53.26 36908.0 71409.598447072.5 2.1 63.77 36.23 24605.3 71677.7965356853.1 2.7 77.02 22.98 18454.0 75307.083263371.0 3.4 85.85 14.15 14763.2 78134.23667519.5 4.1 91.47 8.53 12302.7 79822.1618770169.5 4.8 95.06 4.94 10545.1 80714.6324671741.8 5.5 97.19 2.81 9227.0 80968.770472826.9 6.2 98.66 1.34 8201.8 81028.64338
Paso 6: Realizar Forcast para cada riesgo y costo calculado en el paso previo. Paso 7: Considerar el riego y los costos como bandas de certezas, el Crystal Ball permite establecer las bandas de la siguiente manera: a. Hacer click en el icono Trend chart (Ver figura 20), el programa mostrara las bandas de certeza para la selección.
Trend Chart
Fig 20. Banda de Certeza del Riesgo
La figura 21 demuestra que existe un 90 % de certeza que el riego a los 750 días de operación esta entre 220-380 MMBs.
Fig 21. Banda de Certeza del Riesgo
Fig 22. Banda de Certeza del Costo
Paso 6: La curva de impacto total resulta de la suma punto a punto de la curva de riesgo y la curva de costo. El mínimo de esta curva representa el mínimo impacto posible y esta ubicado sobre el valor que puede traducirse como el periodo o frecuencia optima para la realización del reemplazo de las Bombas BES, en nuestro caso la frecuencia optima de reemplazo esta alrededor de los 600 días de operación. En la figura 23 muestra la banda de certeza para el impacto total. La figura 24 representa las curvas riesgo, costo e impacto considerando los puntos mas probables para cada curva.
Fig 23. Banda de Certeza del Impacto
MODELO COSTO-RIESGO
0 .0
2 0 0 00 .0
4 0 0 00 .0
6 0 0 00 .0
8 0 0 00 .0
1 0 0 0 00 .0
0 .7 1 .4 2 .1 2 .7 3 .4 4 .1 4 .8 5 .5 6 .2
TIEMPO (AÑO)
$
IMPACTO TOTALIMPACTO TOTAL
RIESGORIESGO
COSTOCOSTO
PUNTO OPTIMOPUNTO OPTIMO
600 DIAS600 DIAS
Fig 24. Modelo Costo-Riesgo
CONCLUSIONES EEll aannáálliissiiss ddeell MMooddeelloo CCoossttoo--RRiieessggoo ppeerrmmiittee ddeetteerrmmiinnaarr eell
ppeerríooddoo oo ffrreeccuueenncciiaa ooppttiimmaa ppaarraa llaa rreeaalliizzaacciióónn ddee llaa aaccttiivviiddaadd ddee mmiittiiggaacciióónn ccoonn mmínniimmoo iimmppaaccttoo eenn eell nneeggoocciioo..
PPaarraa eell ccaassoo eejjeemmpplloo ddeessaarrrroollllaaddoo llaa ffrreeccuueenncciiaa ooppttiimmaa ddee
rreeeemmppllaazzoo ddee BBEESS eess ddee aapprrooxxiimmaaddaammeennttee 660000 ddíaass ddee ooppeerraacciióónn.. EEll mmooddeelloo eessttaa ddoommiinnaaddoo eenn eessttee ccaassoo ppoorr llaa ccoorrvvaa ddee rriieessggoo;; yy eessttaa aa ssuu vveezz eessttaa aallttaammeennttee iinnfflluueenncciiaaddaa ppoorr llaa aallttaa ffrreeccuueenncciiaa ddee ffaallllaass yy ppoorr llooss llaarrggooss ttiieemmppooss ddee iimmpprroodduuccttiivviiddaadd ddee llooss ppoozzooss qquuee ffaallllaann hhaassttaa qquuee ssoonn rreeppaarraaddooss..
SSee rreeccoommiieennddaa iinniicciiaarr uunn AAnnáálliissiiss CCaauussaa RRaaíízz ppaarraa aattaaccaarr llaa
aallttaa ffrreeccuueenncciiaa ddee ffaallllaass ddee eessttee ttiippoo ddee bboommbbaass yy llaass ccaauussaass ddee llooss llaarrggooss ttiieemmppooss ddee rreeppaarraacciióónn qquuee ssiigguueenn aa uunnaa ffaallllaa..
EEll oobbjjeettiivvoo ffuunnddaammeennttaall ddeell ccáállccuulloo oo ddeetteerrmmiinnaacciióónn ddeell
RRiieessggoo eess pprreeddeecciirr ttooddooss llooss ppoossiibblleess fflluujjooss ddee ccaajjaa,, ccoonnssiiddeerraannddoo llooss eeggrreessooss pprroobbaabbllee aassoocciiaaddooss aa ffaallllaass ddee llaass bboommbbaass,, ppaarraa ddaarrllee cceerrttiidduummbbrree aall pprroocceessoo ddee ttoommaa ddee ddeecciissiioonneess
RECOMENDACIONES AApplliiccaarr eell MMooddeelloo ddee OOppttiimmiizzaacciióónn ((CCoossttoo--RRiieessggoo)) ppaarraa
ddeetteerrmmiinnaarr eell ppeerríooddoo oo ffrreeccuueenncciiaa ooppttiimmaa ddee rreeaalliizzaacciióónn ddee ccuuaallqquuiieerr aaccttiivviiddaadd ddee mmiittiiggaacciióónn ddee rriieessggoo.. EEssttoo ggaarraannttiizzaarráá ppoollííttiiccaass yy eessttrraatteeggiiaass ddee mmíínniimmoo iimmppaaccttoo eenn eell nneeggoocciioo yy mmááxxiimmaa rreennttaabbiilliiddaadd..
AAddooppttaarr ccoommoo ““bbuueennaa pprrááccttiiccaa”” eell ccoonnssiiddeerraarr llaa
iinncceerrttiidduummbbrree eenn llaass vvaarriiaabblleess ddee eennttrraaddaass aa llooss mmooddeellooss ddee ddeecciissiióónn yy ccoonnssiiddeerraarr eell ““rriieessggoo”” ccoommoo uunn ““eeggrreessoo pprroobbaabbllee”” eenn ccuuaallqquuiieerr eevvaalluuaacciióónn eeccoonnóómmiiccaa..
RREEFFEERREENNCCIIAASS BBIIBBLLIIOOGGRRAAFFIICCAASS GGeerreenncciiaa ddee llaa IInncceerrttiidduummbbrree –– YYaaññeezz,, GGóómmeezz ddee llaa VVeeggaa,,
VVaallbbuueennaa -- EEnneerroo 22000022 MMuurrtthhaa,, JJaammeess -- ““DDeecciissiioonnss IInnvvoollvviinngg UUnncceerrttaaiinnttyy”” ––
PPaalliissaaddee CCoorrppoorraattiioonn,, NNeeww YYoorrkk UUSSAA 22000000.. MMaarrsshhaallll,, FF..MM..;; MMoosslleehh,, AA..;; RRaassmmuussoonn,, DD..MM..,, ““GGuuiiddeelliinneess oonn
MMooddeelliinngg CCoommmmoonn--CCaauussee FFaaiilluurreess iinn PPrroobbaabbiilliissttiicc RRiisskk AAsssseessmmeenntt””.. UU..SS.. NNuucclleeaarr RReegguullaattoorryy CCoommmmiissssiioonn,, WWaasshhiinnggttoonn DD..CC..,, 11999988..
CCrryyssttaall BBaallll –– ““UUsseerr MMaannuuaall RReelleeaassee 22000000..22””,, DDeecciissiioonneeeerriinngg IInncc.. UUSSAA 22000011..
@@RRiisskk-- RRiisskk AAnnaallyyssiiss aanndd SSiimmuullaattiioonn aadddd--iinn ffoorr MMiiccrroossoofftt EExxcceell,, RReelleeaassee 44..00 UUsseerr’’ss GGuuiiddee,, PPaaiissaaddee CCoorrppoorraattiioonn;; NNeewwffiieelldd NNeeww YYoorrkk UUSSAA 22000000..
BBeesstt FFiitt –– ““DDiissttrriibbuuttiioonn FFiittttiinngg ffoorr WWiinnddoowwss”” –– RReelleeaassee 44..55 UUsseerr GGuuiiddee,, PPaalliissaaddee CCoorrppoorraattiioonn,, NNeewwffiieelldd NNeeww YYoorrkk UUSSAA 22000000..
MMuurrtthhaa,, JJaammeess –– ““IInnccoorrppoorriinngg HHiissttoorriiccaall DDaattaa iinn MMoonnttee CCaarrlloo SSiimmuullaattiioonn””,, PPaappeerr SSPPEE 2266224455,, pprreesseennttaaddoo eenn llaa ““PPeettrroolleeoouumm CCoommppuutteerr CCoonnffeerreennccee”” eenn NNeeww OOrrlleeaannss UUSSAA 11999933..
MMooddaarrrreess,, MMoohhaammmmaadd;; KKaammiinnsskkyy,, MMaarrkk;; KKrriittssoovv,, VVaassiillyy.. ““RReelliiaabbiilliittyy EEnnggiinneeeerriinngg aanndd RRiisskk AAnnaallyyssiiss””.. MMaarrcceell DDeekkkkeerr,, NNeeww YYoorrkk UUSSAA 11999999..
CCoossssee,, RReennee –– ““BBaassiiccss ooff RReesseerrvvooiirrss EEnnggiinneeeerriinngg”” ––
IInnssttiittuuttoo FFrraanncceess ddeell PPeettrroolleeoo;; GGuullff PPuubblliisshhiinngg CCoommppaannyy,, HHoouussttoonn UUSSAA 11999933..
NNeewweennddoorrpp,, PP..DD –– ““AA MMeetthhoodd ffoorr TTrreeaattiinngg DDeeppeennddeenncciieess BBeettwweeeenn VVaarriiaabblleess iinn SSiimmuullaattiioonn RRiisskk AAnnaallyyssiiss MMooddeellss”” –– PPaappeerr SSPPEE 55558811,, UUSSAA 11997766
MMuurrtthhaa,, JJaammeess –– ““WWhheenn DDooeess CCoorrrreellaattiioonnss MMaatttteerr ??””,, AArrttííccuulloo ppuubbiiccaaddoo eenn llaa RReevviissttaa ““RRiisskk AAnnáálliissiiss ffoorr tthhee OOiill IInndduussttrryy”” –– HHaarrttss EE&&PP UUSSAA 22000000.. 11999933..
MMaannuuaall ddee RReeffeerreenncciiaa ddeell CCuurrssoo PPBBCC IIIIII:: IInnggeenniieerrííaa ddee CCoonnffiiaabbiilliiddaadd.. CCIIEEDD TTaammaarree MMaayyoo--JJuunniioo 22000022..
top related