Um Modelo Híbrido para Previsão de Produção de Petróleo Francisca de Fátima do Nascimento Silva Paulo Sérgio Lucio Programa de Pós-Graduação em Ciência e Engenharia de Petróleo - PPGCEP Universidade Federal do Rio Grande do Norte- UFRN Natal/ Rio Grande do Norte Departamento de Estatística - DEST Universidade Federal do Rio Grande do Norte- UFRN Natal/ Rio Grande do Norte [email protected] [email protected] Eduardo Henrique S. de Araújo Adrião Duarte Dória Neto Programa de Pós-Graduação em Ciência e Engenharia de Petróleo - PPGCEP Universidade Federal do Rio Grande do Norte- UFRN Natal/ Rio Grande do Norte Departamento de Estatística - DEST Universidade Federal do Rio Grande do Norte- UFRN Natal/ Rio Grande do Norte [email protected] [email protected] Resumo: Na engenharia de petróleo uma das atividades essenciais é a estimativa de produção de óleo existente nas reservas petrolíferas de reservatórios maduros. O cálculo dessas reservas é crucial para a determinação da viabilidade econômica de sua explotação. Para tanto, a indústria do petróleo faz uso de técnicas convencionais de modelagem de reservatórios como simulação numérica matemática para previsão da produção de petróleo. Diante deste fato, o objetivo fundamental deste trabalho é propor uma metodologia de Análise de Séries Temporais baseada nos tradicionais modelos estatísticos de Box & Jenkins, que em conjunto com a técnica inteligente de Redes Neurais Artificiais (RNA’s), possibilite a construção de um modelo híbrido de predição de dados de produção de petróleo, tomando por base a capacidade que a rede tem em aprender com a experiência e partir para generalização baseada no seu conhecimento prévio. Para tanto, a Rede Neural será treinada com a finalidade de estimar e corrigir os erros associados ao modelo estatístico de Série Temporal, de forma a aproximar a série estimada à série de dados original. Palavras-Chaves: Modelos estatísticos de Box & Jenkins, Redes Neurais Artificiais (RNA’s), Curva vazão de petróleo (m³/dia). I. INTRODUÇÃO Em diversas pesquisas, é de grande interesse o estudo de métodos de previsão de Séries Temporais, ou seja, conseguir identificar e predizer algumas características de determinado processo num ponto futuro. Ultimamente, as Redes Neurais Artificiais (RNA’s) vem sendo sugerida por pesquisadores em inteligência computacional para análise de Séries Temporais [1-3]. CHAKRABORTY et al.. [4] realizam um estudo empírico sobre previsão multivariada de séries temporais com redes neurais artificiais. POLI e JONES [5] propõem um modelo estocástico de rede neural baseado em filtro de Kalman para previsão de séries temporais Não lineares. Isto é decorrente da capacidade das RNA’s para tratar com relações não lineares de entrada-saída, destacando sua habilidade de aprendizado e capacidade de generalização baseada no seu conhecimento prévio [6]. No entanto, alguns outros pesquisadores acreditam que em algumas situações específicas, onde RNA’s têm um desempenho inferior aos modelos estatísticos lineares, a razão pode ser simplesmente o fato dos dados serem lineares, sem muita perturbação. Na literatura, foram propostas várias abordagens lineares para previsão de séries temporais. O modelo Auto Regressive Integrated Moving Average (ARIMA) é um dos modelos lineares mais populares para previsão de séries temporais lineares ao longo das últimas três décadas que têm aplicações úteis em diversas áreas do conhecimento. Vários pesquisadores fazem comparações entre RNA’s e os modelos tradicionais de análises de séries temporais em suas aplicações específicas. DE GROOT e WURTZ [7] comparam RNA’s com os modelos estatísticos lineares de Box-Jenkins e modelos Não lineares Threshold (TAR) em previsões de dados de manchas solares. As RNA’s e modelos ARIMA são adequados a seus domínios específicos Não lineares ou lineares. No entanto, nenhum deles é um modelo universal que é adequado para todas as circunstâncias [8] [9]. Usando modelos híbridos ou a combinação de vários modelos têm tornar-se uma prática comum, a fim de superar as limitações de componentes modelos e melhorar a precisão das previsões. Além disso, uma vez que é difícil saber completamente as características dos dados de um problema real. Uma metodologia híbrida que tem tanto recursos de modelagem linear e não linear pode ser uma boa estratégia para uso prático [10]. Zhang [11] apresentou um híbrido abordagens ARIMA e RNA para previsão de séries temporais usando a técnica mencionada. De posse de tais informações, surge a proposta de uma metodologia de análise de Séries Temporais que faz uso da técnica de Redes Neurais como uma ferramenta de auxílio na previsão de Séries Temporais baseada na Metodologia estatística de Box & Jenkins, possibilitando a construção de um modelo híbrido de previsão de dados de produção de petróleo. É importante ressaltar que a metodologia proposta não visa substituir as ferramentas e métodos clássicos de estimar a produção de reservatórios, como por exemplo, a análise de curvas de declínio de produção, mas buscar novas metodologias de análise de Séries Temporais que podem apresentar vantagens em situações que os métodos clássicos (em especial a simulação numérica) consumam mais tempo e recursos computacionais. II. MATERIAIS E MÉTODOS A. Estruturação da base de dados A base de dados em estudo é referente a dados reais de vazão de petróleo (m³/dia) de um reservatório localizado em um campo da região nordeste do Brasil. A série em estudo foi obtida no período de 31 de julho do ano 1998 até 31 de dezembro de 2007, com os dados (vazão (m³/dia)) sendo obtidos com intervalos mensais, totalizando 127 meses de informações. Nas predições foi considerado um número de 12 passos adiante, ou seja, para elaboração dos modelos de redes neurais e o modelo estatístico de Série Temporal foi utilizado um período de 115 meses de produção de óleo para o referido campo de estudo. Nos dados é possível verificar que, aproximadamente no 3º ano de produção (maio de 2001) a vazão do reservatório diminui devido à exaustão da sua energia natural, consequentemente o reservatório retém grandes quantidades de hidrocarbonetos. Neste caso, é gerado um estímulo no reservatório por meio da injeção de um fluido (água), cujas funções primárias são manter a pressão do reservatório e deslocar o óleo em direção aos poços produtores, aumentando-se assim a vazão de óleo. Neste período a produção de óleo passa de 5.89 m³/dia para 38.19 m³/dia. B. Metodologia Para a construção de um modelo híbrido de previsão de dados de produção de petróleo, inicialmente será realizado o ajuste de um modelo Auto Regressive Integrated Moving Average (ARIMA), onde estuda-se a estrutura de dependência entre os dados para construção de um modelo que se adeque aos dados de vazão (produção) de óleo (m³/dia), no período de julho do ano 1998 até dezembro de 2007, totalizando 127 meses de informações. Para que seja possível a Rede Neural fazer a estimação e correção dos erros no passo ε (n) utiliza-se uma Rede NARX (Nonlinear Auto-Regressive model with eXogenous input) utilizando o algoritmo de treinamento de LevenbergMarquardt. Após uma série de simulações, variando a quantidade de camadas da rede, de neurônios em cada camada e a ordem da memória de linha de atraso, a seguinte arquitetura apresentou o melhor desempenho: • Regressor de Saída: a memória de linha de atraso com ordem 2; • Camadas Ocultas: três com 10 neurônios Tangente Sigmóide; • Camada de Saída: 1 neurônio do tipo linear puro. O conjunto de treinamento da rede foi constituído dos 9 primeiros anos (115 meses) da série e a validação foi feita por meio das predições a 12 passos simples (12 meses). Para constituir a entrada da rede utilizou-se os valores dos dois erros iniciais associados ao modelo ARIMA, ou seja, a rede possui uma ordem de memória de linha de atrasos igual a 2 (p=2). Em seguida, a rede é treinada e fornece a saída obtida que são os erros do modelo ARIMA estimados pela rede. Por fim, é realizada a criação de um vetor contendo zeros nas duas primeiras posições e as posições seguintes são preenchidas pelos erros estimados pela Rede Neural ( ( ), i=3,..., 115), sendo a saída desejada ( ( )) produzida pela soma entre o vetor de dados gerados pelo modelo ARIMA ( ( ) + ( ) ) e o vetor de erros estimados pela rede neural, ou seja, ( ) = { ( ) + ( ) } + ( ). A correção do modelo ARIMA ocorre ao adicionar os erros estimados pela rede neural aos erros do modelo ARIMA. A análise do erro de predição, que corresponde à diferença entre o valor dá série e o valor esperado, obtido através da predição, é utilizada para determinar se a predição para uma dada situação é viável ou não. Foi realizado o ajuste de uma rede neural do tipo NARX para simular e corrigir os erros associados ao modelo ARIMA. Outra etapa do estudo consiste em ajustar um novo modelo de rede NARX com a mesma arquitetura, mas para simular a série original e não os erros associados ao modelo ARIMA, cuja entrada consiste dos atrasos no tempo (ordem 2) e fazer comparações com o modelo de Série Temporal corrigido pela rede NARX inicial. C. Modelos de Séries Temporais Uma Série Temporal pode ser vista como um conjunto de observações , geradas sequencialmente no tempo [12]. O parâmetro t refere-se ao tempo e se o conjunto de instantes de tempo for discreto (usualmente t = 0, ±1, ±2, . . . ) ou contínuo (usualmente −∞ < < ∞), a série será discreta ou contínua, respectivamente. Uma Série Temporal é uma realização ou trajetória de um processo estocástico que é uma família de variáveis aleatórias { ; ∈ } definidas num mesmo espaço de probabilidades, onde cada t ∈ T, , é uma variável aleatória definida sobre o espaço amostral Ω, assim, , é uma função de dois argumentos, ( , ), onde ∈ ∈ Ω. Para se estudar e analisar Séries Temporais, pesquisadores utilizam os métodos de Box & Jenkins que baseiam-se na proposição de que o valor atual da Série Temporal é a combinação de p valores precedentes e q impactos aleatórios anteriores, mais o impacto atual. Os p valores antecedentes formam o componente auto-regressivo e os q impactos prévios formam o componente de média móvel da série. A modelagem de uma Série Temporal objetiva, então, a determinação dos valores de p e q, seguida da estimação dos respectivos coeficientes da combinação linear. Em Análise de séries temporais há uma classe de modelos apropriados para descrever Séries Temporais nãoestacionárias homogêneas, ou seja, séries que, apesar de não evoluírem em torno de uma média constante ao longo do tempo, quando diferenciadas d vezes, tornam-se estacionárias. Dentre as classes de modelos propostos por Box et al. [12], será destacado, neste artigo, o modelo Auto Regressive Integrated Moving Average (ARIMA), que pode ser representando da seguinte forma: Y = φ Y + φ Y + . . . +φ Y +a − θ a − θ a − . . . −θ a , (1) que é denominada equação de diferenças, bastante útil para o cálculo de previsões. Nesta equação, φ até φ são parâmetros que ajustam os valores passados de Y do instante imediatamente anterior até o mais distante representado por p+d. Os valores de a, ou seja, o componente de erro da série representa uma sequência de choques aleatórios e independentes uns dos outros, a é uma porção não controlável do modelo é chamado comumente de ruído branco, se a série em estudo é não estacionaria. Os parâmetros θ até θ possibilitam escrever a série em função dos choques passados. Em geral, cada a é considerado como tendo distribuição normal, média zero, variância constante e não correlação D. Redes Neurais Artificiais: Redes Multilayer Perceptron (MLP’s) As RNA’s vêm sendo aplicadas em várias áreas com bastante sucesso e uma delas é a predição temporal de dados. Além disso, elas possuem uma série de características importantes, tais como: generalização, paralelismo, não linearidade, adaptabilidade, robustez entre outras [13]. As RNA’s se ampliaram com o surgimento das redes Multilayer Perceptron (MLP’s) com unidades que podem estar conectadas às unidades da camada subseqüente, gerando uma robustez e maior desempenho computacional. As redes com uma ou mais camadas intermediárias ou “escondidas” são uma extensão dos perceptrons de uma única camada, podendo ser treinadas a fim de realizar mapeamentos de natureza complexa [13]. Uma RNA do tipo MLP é constituída por um conjunto de camadas, onde cada camada tem uma função específica. A camada de saída (output layer) recebe os estímulos da camada intermediária e constrói o padrão que será a resposta. As camadas intermediárias funcionam como extratoras de características, seus pesos são uma codificação de características apresentadas nos padrões de entrada e permitem que a rede crie sua própria representação, mais rica e complexa, do problema. O treinamento da rede neural MLP é realizado com um conjunto de dados conhecidos (conjunto de treinamento) de onde se extrai amostras aleatórias (x p , yp ); p 1, 2,..., P . A rede calcula um vetor de saída op com base no resultado obtido na camada anterior. O vetor saída é comparado ao vetor resposta desejado yp . O critério utilizado para avaliação da performance da rede é a soma do erro quadrático (SSE): F Fp p 1 (y pk o pk ) 2 2 p k (2) onde, p é o índice para o padrão (exemplo) e k o índice da unidade de saída. O erro das camadas de saída e intermediárias são retropropagados através da rede, fazendo ajustamentos dos pesos de suas respectivas camadas. O ajuste dos pesos é calculado de acordo com Eq. 3 [14]: wij (n 1) j oi wij (n) em que, wij (3) é a alteração do peso entre o nó k na camada intermediária e o neurônio i na camada de entrada; > 0, é a taxa de aprendizado; j , é o erro do valor observado no neurônio j da camada intermediária; [0,1], é uma constante chamada termo momentum. No presente trabalho a escolha do número de entradas é realizada levando-se em conta estudo preliminar sobre as funções de autocorrelação e autocorrelação parcial da série. Entretanto, a escolha do número adequado de camadas ocultas e os respectivos números de neurônios são encontrados empiricamente realizando-se testes com várias conGráficoções da rede e escolhendo-se aquela que apresentou menor erro para o conjunto de treinamento. E. Rede NARX (Nonlinear Auto-Regressive model with eXogenous input) Uma rede NARX nada mais é do que uma rede MLP cuja entrada consiste da própria saída realimentada com atrasos no tempo e uma entrada exógena, também com atrasos e fazer comparações com o modelo de série temporal corrigido pela rede MLP. A arquitetura de uma rede do tipo NARX, as saídas estimadas da rede são introduzidas novamente as entradas, permitindo implementar a predição de passos múltiplos [15]. Esta Rede Neural e um equivalente do modelo estatístico NARX (Nonlinear Auto-Regressive model with eXogenous input), que realiza o seguinte mapeamento entrada-saída: y(n) = g(y(n − 1), . . . , y(n − l + 1), u(n), . . . , u(n − k + 1)) (4) Onde u(n) e (n) correspondem à entrada e saída da rede no tempo t e l e k são, respectivamente, as ordens da saída e da entrada. III. RESULTADOS A. Modelo Linear ajustado para predição de curvas de produção de petróleo via modelos de Box & Jenkins Como aplicação da metodologia proposta em estudo a priori, foi construído um gráfico da série original e do modelo ajustado (Gráfico 1) com o objetivo de analisar seu Erro Quadrático Médio (EQM) Épocas Gráfico 2 - Curva do erro quadrático médio (EQM) de treinamento 35 Erro-RNA Erro-Modelo ARIMA (0,2,1) 30 25 20 Erro absoluto comportamento e de verificar visualmente o ajuste do modelo à série estudada. Porém, é possível verificar que, aproximadamente no 3º ano de produção (maio de 2001) o modelo ARIMA perde sua eficiência e não consegue acompanhar o comportamento dos dados ao longo do tempo. Isto se deve ao fato de que neste período o reservatório retém grandes quantidades de hidrocarbonetos após a exaustão da sua energia natural, ou seja, a vazão diminui. Após realizar o ajuste de um Modelo de Série Temporal do tipo ARIMA (0,2,1), ou seja, um modelo com duas diferenças na série com o intuito de torná-la estacionária e um componente média móvel junto aos dados de vazão de óleo (m³/dia). Nos resultados obtidos (Gráfico 1) é possível verificar que, de forma geral, o modelo ajustado segue os dados. Porém, existem algumas partes da referida série em que o modelo não se ajusta. Para tanto, utiliza-se a técnica de Redes Neurais Artificiais (RNA’s) com a finalidade de aproximar a série estimada à série original de vazão (m³/dia), por meio de uma estimação e correção do erro associado ao Modelo de Série Temporal. Foi construído o gráfico da curva do erro quadrático médio (EQM) de treinamento cujo resultado foi 2,4315 para até 14 épocas de treinamento (Gráfico 2). Na Gráfico 3 é apresentada uma comparação entre os erros associados ao Modelo de Série Temporal e os erros estimados pelo modelo de RNA, o que pode-se verificar é que após o treinamento, a Rede Neural foi capaz de estimar os erros associados ao Modelo de Série Temporal, o que possibilita utilizar os erros estimados na correção do modelo ARIMA. Este resultado se deve a duas características relevantes das Redes Neurais que é a adaptação por experiência e a capacidade de aprendizado. Isto garante um bom ajuste do modelo e uma maior confiabilidade em análises como previsões temporais de dados na série. 15 10 5 0 -5 50 -10 Série 45 Modelo ARIMA(0,2,1) 0 20 40 60 80 100 120 140 Meses Gráfico 3 - Erro estimado pela RNA versus erro associado ao Modelo ARIMA (0,2,1); 40 vazão (m³/dia) 35 30 25 20 15 10 5 0 20 40 60 Meses 80 100 120 Gráfico 1 - Série de vazão (m³/dia) no período de julho do ano 1998 até dezembro de 2007 versus modelo ARIMA (0,2,1). O Gráfico 4 apresenta a comparação entre a série original e o modelo ARIMA (0,2,1) com os erros corrigidos pela RNA para os conjuntos de treinamento e validação. A escolha do número adequado de camadas ocultas e os respectivos números de neurônios são encontrados empiricamente realizando-se testes com várias configurações da rede e escolhendo-se aquela que apresentou menor erro quadrático médio (EQM) para o conjunto de treinamento. associados ao modelo ARIMA, cuja entrada consiste dos atrasos no tempo (ordem 2) e fazer comparações com o modelo de Série Temporal corrigido pela rede NARX inicial 50 Série 45 Modelo ARIMA (0,2,1) corrigido pela RNA Previsão a 12 passos 40 O Gráfico 6 ilustra a curva de treinamento da rede neural com a curva da série de vazão (produção) de petróleo. O algoritmo de Levenberg-Marquardt foi utilizado para o processo de aprendizado e a rede foi treinada com 2 sinais de atrasos. O sinal azul representa a série real de vazão de óleo, enquanto que a rede neural e representada pelo sinal verde. O conjunto de treinamento tem os dados de aproximadamente 9 primeiros anos de produção, ou seja, 115 meses. vazão (m³/dia) 35 30 Validação: Previsão a 12 passos 25 20 15 10 5 50 0 20 40 60 80 Meses 100 120 40 Gráfico 4 - Série original versus Modelo ARIMA (0,2,1) com os erros corrigidos pela RNA NARX. O Gráfico 5 é apresentado com o objetivo de analisar a predição de passo simples com 12 passos adiante, realizada pela rede neural para a série de vazão (m³/dia) de petróleo. Este gráfico mostra os sinais de saída do modelo ARIMA corrigido pela RNA utilizados como preditor de passo simples. O sinal do preditor e representado pela linha preta, enquanto série original é representada pela linha azul. Série Previsão a 12 passos 8.4 30 20 10 0 0 20 40 60 80 100 Meses Gráfico 6 - Treinamento para a curva de vazão 120 O Gráfico 7 é apresentado para analisar a predição de passo simples com 12 passos adiante, realizada pela rede neural para a vazão de petróleo. Este gráfico mostra os sinais de saída do simulador e da rede NARX utilizada como preditor de passo simples. O sinal do preditor e representado pela linha verde, enquanto o sinal gerado pela saída do simulador representado pela linha azul. 8.6 8.2 vazão (m³/dia) Série Modelo RNA 140 vazão (m³/dia) 0 8 7.8 8.6 7.6 Série Previsão a 12 passos 8.4 7.4 7 0 2 4 6 Meses 8 10 12 Gráfico 5 - Sinal da vazão (m³/dia) obtido pela predição de 12 passos vazão (m³/dia) 8.2 7.2 8 7.8 7.6 B. Predição Não linear de curvas de produção de Petróleo via Redes Neurais 7.4 7.2 Nesta seção é feito o ajuste de um modelo para predição Não linear de curvas de produção de Petróleo. O modelo de rede neural ajustado foi o de Redes NARX com a mesma arquitetura, mas para simular a série original e não os erros 0 2 4 6 Meses 8 10 Gráfico 7- Sinal da vazão obtido pela predição de 12 passos 12 Nas Tabelas 1 e 2 são apresentados os erros médios quadráticos encontrados. Fazendo-se uma comparação entre os erros gerados pelos dois modelos, foi constatado que, para o período de treinamento que corresponde a aproximadamente 9 anos e 5 meses iniciais da série, o modelo ARIMA (0,2,1) apresentou um erro quadrático médio (EQM) superior (12.26) ao erro do modelo ARIMA (0,2,1) corrigido pela RNA NARX (10.72), o que confirma o bom desempenho da rede em estimar e corrigir os erros associados ao modelo ARIMA, aproximando a série estimada à série original. Por outro lado, é possível verificar que a Rede NARX utilizada para simular a série original apresentou um EQM bem inferior aos dois modelos citados (2,23). Para o período de predição, o modelo ARIMA (0,2,1) apresentou um erro quadrático médio (EQM) inferior (0.0017) ao erro do modelo ARIMA (0,2,1) corrigido pela RNA NARX (2,10,10,10,1) (0.0119) e ao erro da rede NARX (2,10,10,10,1) (0,56). Este resultado se deve ao fato de que nos extremos o modelo ARIMA se adequou muito bem a série, ou seja, quase não apresentou erro, logo a rede neural não tem tanta eficiência em corrigir o erro associado ao modelo ARIMA quando a série não apresenta muitas variações ou perturbações, o que corrobora o fato do modelo ARIMA ser bem ajustado a dados que se distribuem de forma linear ao longo do tempo. A Rede NARX (2,10,10,10,1) por sua vez, apresentou nas predições a 12 passos um EQM bem inferior ao erro do modelo ARIMA (0,2,1) corrigido pela RNA NARX (2,10,10,10,1) dois modelos citados (0,56). Porém, o modelo ARIMA foi o que apresentou o menor erro de predição em relação aos dois modelos citados. Models Erros de Treinamento Erro Quadrático Médio (EQM) Model ARIMA (0,2,1) 12.26 Modelo ARIMA (0,2,1) corrigido 10.72 pela RNA NARX (2,10,10,10,1) Rede NARX (2,10,10,10,1) 2,23 Tabela 1- Erros observados no período de treinamento e de predição para os modelos ajustados. Models Modelo ARIMA (0,2,1) Modelo ARIMA (0,2,1) corrigido pela RNA NARX (2,10,10,10,1) Rede NARX (2,10,10,10,1) Erros de Predição Erro Quadrático Médio (EQM) 0.0017 0.0119 0,56 Tabela 2 - Erros observados no período de predição para os modelos ajustados IV. CONSIDERAÇÕES FINAIS As considerações finais deste trabalho são as de que, em relação à modelagem por meio do ajuste de um modelo linear, técnica sugerida por Box & Jenkins, concluiu-se que o melhor modelo foi o ARIMA (0,2,1). Os resultados das análises mostraram que a metodologia utilizada fornece informações importantes sobre o padrão comportamental de Séries Temporais. Informações tais que auxiliam na elaboração de modelos eficientes referentes à Série Temporal em questão. Referente à modelagem Não linear da curva de produção de petróleo por Redes Neurais Artificiais, as várias simulações realizadas (não apresentadas neste texto) permitiram testar várias arquiteturas de rede, escolhendo a arquitetura adequada às variações da série. Concluiu-se que a melhor arquitetura para rede é a NARX (2,10,10,10,1), onde foi possível desenvolver uma RNA capaz de modelar, de forma satisfatória, o comportamento aleatório da série de vazão de óleo, tornando possível a estimação e correção dos erros associados ao modelo de Box & Jenkins. Também foi possível generalizar os resultados por meio de predição dos dados da série em estudo. Os resultados apresentados neste trabalho podem sugerir o uso de modelos lineares estatísticos como uma ferramenta adicional às já atualmente utilizadas, como as curvas de declínio e simulação numérica ou ainda em situações que essas ferramentas são de difícil utilização, uma vez que demandam grande tempo computacional. Ressaltando a redução da complexidade durante as simulações, daí a proposta da elaboração de um modelo híbrido para predizer dados de produção de petróleo. Como trabalhos futuros, esta metodologia pode ser empregada na implementação de problemas de inteligência artificial, como tomadas de decisão, além de situações práticas e de grande porte. V. REFERÊNCIAS [1] Y. Chen, B. Yang, J. Dong, A. Abraham, Time-series forecasting using flexible neural tree model, Information Sciences 174 (3–4) (2005) 219–235. [2] F. Giordano, M. La Rocca, C. Perna, Forecasting nonlinear time series with neural network sieve bootstrap, Computational Statistics and Data Analysis 51 (2007) 3871–3884. [3] A. Jain, A.M. Kumar, Hybrid neural network models for hydrologic time series forecasting, Applied Soft Computing 7 (2007) 585–592. [4] K. Chakraborty, K. Mehrotra, C.K. Mohan, S. Ranka, Forecasting the behavior of multivariate time series using neural networks, Neural Networks 5 (1992) 961–970. [5] I. Poli, R.D. Jones, A neural net model for prediction, Journal of American Statistical Association 89 (1994) 117–121. [6] V. Ediger, S. Akar, ARIMA forecasting of primary energy demand by fuel in Turkey, Energy Policy 35 (2007) 1701–1708. [7] C. De Groot, D. Wurtz, Analysis of univariate time series with connectionist nets: a case study of two classical examples, Neurocomputing 3 (1991) 177–192. [8] G. Zhang, B.E. Patuwo, M.Y. Hu, Forecasting with artificial neural networks: the state of the art, International Journal of Forecasting 14 (1998) 35–62 [9] KHASHEI, Mehdi; BIJARI, Mehdi. A novel hybridization of artificial neural networks and ARIMA models for time series forecasting. Applied Soft Computing, v. 11, n. 2, p. 2664-2675, 2011. [10] G.P. Zhang, Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing 50 (2003) 159–175. [11] BOX, G. E. P.; JENKINS, G. M.; REINSEL, G.C., “Time series analysis: forecasting and control.” 4rd ed. New Jersey: John Wiley, 2008. 746 p. [12] HAYKIN, S. “Redes Neurais: princípios e prática.” 2. ed. Porto Alegre: Bookman, 2001. 900 p. Tradução de Paulo Martins Engel. [13] RUMELHART, D. E.; WEIGEND, A. “Predicting the Future: a Connectionist Approach.” Stanford: [s.n.], (PDP-90-01, PARCSSL-90-20), 1990. [14] JÚNIOR, ALDAYR DANTAS ARAÚJO – “Predição Não linear de curvas de produção de petróleo via Redes Neurais recursivas.” Dissertação de Mestrado, UFRN, Programa de Pós-graduação em Ciência e Engenharia de Petróleo. Linha de Pesquisa: Automação na Indústria de Petróleo e Gás Natural, Natal-RN, Brasil. 2010.