A otimização em tempo real (RTO - Real-time Optimization) é um procedimento que permite aumentar a lucratividade em operações industriais pela busca das condições ótimas de operação considerando aspectos econômicos e de processo durante a produção. Desde a década de 70, diversos modos de implementação dessa ferramenta foram propostos, sendo o método de dois passos por adaptação de parâmetros do modelo (MPA -Model Parameter Adaptation) um dos mais utilizados industrialmente. Apesar disso, a MPA utiliza informações em estado estacionário para a resolução da RTO e isso pode trazer desvantagens na aplicação e na busca do ponto ótimo em sistemas dinâmicos. Recentemente a otimização em tempo real por adaptação persistente de parâmetros (ROPA - Real-time Optimization with Persistent Adaptation) foi proposta como uma nova metodologia de RTO para contornar essas desvantagens. Utilizando uma abordagem híbrida que considera informações dos estados estacionário e transiente, este método apresentou resultados promissores, porém esses resultados foram apenas em sistemas simulados, sem a aplicação em sistemas físicos. Além disso há poucos estudos sobre as diferentes abordagens relacionadas a aplicação dessa metodologia, como o uso de diferente estimadores. Visando complementar o desenvolvimento da ROPA, um equipamento experimental que simula a operação de Gas Lift, extração por injeção de gás comum em plataformas de petróleo offshore, foi utilizado para aplicar a ROPA. O experimento teve por objetivo avaliar o comportamento da ROPA em um sistema real e comparar seus resultados em relação à MPA e em relação a si próprio com o uso de dois estimadores diferentes, o filtro de Kalman estendido (EKF - Extended Kalman Filter), único estimador utilizado na ROPA até o momento, e o estimador de horizonte móvel (MHE - Moving Horizon Estimation). Para isto foi feita a modelagem do experimento, já que a ROPA e a MPA são baseadas no uso de modelos, e avaliada a adequação do modelo ao equipamento experimental. A MPA e a ROPA (utilizando o EKF como estimador de parâmetros) foram implementadas, utilizando o modelo desenvolvido, e os resultados da otimização comparados. Na comparação a ROPA teve um lucro de 1% maior em relação à MPA e teve boa performance na otimização durante períodos transientes. Em seguida seria feito a comparação do EKF e do MHE na ROPA, porém foi feito um estudo anterior para verificar a estimação do MHE no modelo proposto. Nesse estudo avaliou-se a influência de uma parte do equacionamento do MHE chamado de custo de chegada (arrival cost) e verificou-se que esse termo é importante para obter uma estimação adequada dos parâmetros do modelo. Após o estudo foi realizada a comparação da ROPA com o EKF e com o MHE e a ROPA-EKF teve o lucro 1% maior em relação à ROPA-MHE mas ambos tiveram performances semelhantes na estimação. Em conclusão, a ROPA foi bem sucedida quando aplicada em um equipamento físico, a ROPA teve resultados melhores quando comparado à MPA, principalmente em momentos não estacionários, e a ROPA mostrou-se flexível no uso de outros estimadores.

Real-time Optimization (RTO) is a production optimization technique that aims at improving plant economic performance in real-time. Many proposals of this technique have been made, being the two step RTO known as model parameter adaptation (MPA) the most traditional. Although being widely used in industrial application, the MPA uses stationary process information to perform the optimization and is not appropriated for dynamic systems. Recently a real time optimization with persistent adaptation (ROPA) has been proposed as a new RTO approach to handle and optimize dynamic systems. With a hybrid approach that uses stationary and transient information this method has shown promising results, but more studies are still necessary to support those results. The absence of a real system application, only implementation in simulated environments, and the lack of studies in different approaches regarding this method are some of the issues that still needs to be discussed. To contribute to the development of ROPA, this work presents an implementation of ROPA on an experimental rig that emulates a subsea oil extraction by Gas Lift. This experiment will evaluate ROPA performance in an real environment and compare the results with MPA. In order to apply ROPA two different online estimators are selected, the extended Kalman filter (EKF) and the moving horizon estimation (MHE). This work begins by modelling the experiment, since MPA and ROPA are model based, then MPA and ROPA-EKF are implemented and compared. Finally, ROPA-MHE is implemented and compared with ROPA-EKF. In order to implement ROPA-MHE a study on the arrival cost, a penalty term of MHE, was performed and it was verified the importance of this term on obtaining accurate estimations. The results obtained in this work have shown that ROPA-EKF had a better performance than MPA, specially in transient states, and ROPA-EKF and ROPA-MHE had similar performance.