> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp.

Uma Abordagem Fuzzy para Resolução do

Sistema de Mistura de Óleo Combustível
Roger Rocha

Resumo— A maior parte dos derivados produzidos em uma
refinaria de petróleo são obtidos a partir de misturas de
produtos intermediários. Neste cenário, o problema de mistura
assume um papel fundamental para que as refinarias consigam
alcançar a melhor margem de refino. Esse problema é
normalmente resolvido por meio de modelos de otimização
linear ou não linear, sem contudo levar em consideração a
variação das propriedades dos produtos intermediários. Nesse
trabalho será apresentada uma metodologia para o tratamento
das variações das propriedades dos produtos intermediários
para produção óleo combustível marítimo (bunker) em uma
refinaria de petróleo através de uma abordagem por
programação linear fuzzy.
pelo método crisp, fuzzy e simulação de Monte Carlo.
Finalmente, a seção VI apresenta algumas conclusões e a
aplicabilidade da metodologia apresentada.
II. PROBLEMA DE MISTURA PARA PRODUÇÃO DE BUNKER
A produção de bunker é realizada através da mistura de
RASF (resíduo asfáltico), LCO (light cycle oil) vindos
diretamente das unidades de processo e do querosene
armazenado em tanques, tal como apresentado
esquematicamente na figura 1.

Palavras-chave—óleo combustível marítimo, problema de

mistura, programação linear fuzzy, refinaria.

I. INTRODUÇÃO

U MA refinaria de petróleo típica produz normalmente

produto final especificado a partir da mistura de
diversas correntes de produtos intermediários.
No cenário geopolítico atual, onde as margens de refino
estão cada mais achatadas, o aproveitamento racional dos
produtos intermediário na produção dos derivados torna-se
crucial para que as refinarias possam continuar operando de
maneira rentável.
Modelos de otimização lineares aplicados ao problema de
mistura de produtos intermediários para produção de
derivados têm sido utilizados pelas refinarias desde a metade
do século passado [2]. Atualmente, a grande parte das
refinarias no mundo faz uso de algum tipo de modelo de
otimização linear ou não linear para mistura de produtos
intermediários, sem contudo considerar a variação de suas
qualidades devido às mudanças de carga e severidade das
unidades de processo.
A literatura apresenta duas abordagens diferentes para a
resolução de problemas com imprecisão nos parâmetros: A
otimização estocástica, fundamentada no estudo da
distribuição de probabilidade dos parâmetros do problema e
a otimização fuzzy, baseada na teoria de números fuzzy para
representação da imprecisão dos parâmetros.
Nesse trabalho, o problema de mistura para a produção de
bunker em uma refinaria de petróleo será modelado através
da programação linear fuzzy e resolvido através das técnicas
possibilística e robusta.
Este artigo está organizado da seguinte forma: a seção II
apresenta o problema de mistura para a produção de bunker,
na seção III, um breve resumo de programação matemática
fuzzy é mostrado, na seção IV é apresentado o modelo de
mistura fuzzy, na seção V, um estudo de caso é resolvido
Fig. 1. Sistema de mistura para obtenção de bunker
A especificação do bunker impõe um limite máximo para
a densidade e uma faixa estreita de valores para a
viscosidade. O RASF que é a base para a formulação dos
óleos combustíveis apresenta o seguinte inconveniente:
elevadíssima viscosidade.
Assim, torna-se necessária à utilização de óleos leves
denominados de “óleos de corte” para a mistura com o
RASF de forma a enquadrar o bunker em sua especificação.
Nas refinarias, os óleos comumente utilizados para corte são
o LCO e o querosene.
Atualmente, devido ao mercado brasileiro exercer uma
forte demanda por óleo diesel, as refinarias brasileiras
procuram maximizar este produto, levando-as então a
utilizar, como óleo de corte, preferencialmente LCO, uma
vez que o querosene pode ser incorporado ao diesel.
A otimização do problema de mistura para a produção de
bunker consiste em se determinar às quantidades dos
componentes RASF, LCO e querosene na mistura, de
maneira a obedecer a especificação do produto, utilizando a
menor quantidade possível de querosene.
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 2

III. PROGRAMAÇÃO MATEMÁTICA FUZZY

A. Otimização Fuzzy
Modelos de programação matemática convencionais são B. Programação Linear Fuzzy
construídos com o objetivo de maximizar ou minimizar uma
Um problema de programação linear fuzzy pode ser
função objetivo sujeita a um conjunto de restrições,
descrito da seguinte forma:
usualmente denominado região viável do problema. Em
aplicações práticas, na maioria dos casos, tanto a função
n
objetivo quanto as restrições não podem ser determinadas de
forma precisa. O trabalho pioneiro para abordagem desse
min Z = ∑ ~c x
i =1
i i

tipo de problema foi apresentado por Bellman e Zadeh [1]. n (III.3)

O problema de tomada de decisão em um ambiente fuzzy,
muda o foco da otimização de uma função objetivo para a
∑ a~j =1
ij
~~
xj ≥ bj

maximização da satisfação do conjunto de objetivos e x1 , x 2 ,..., x n ≥ 0

restrições do problema. Assim, assumindo que um conjunto
de objetivos, f i ( x ), i = 1,2 ,..., n , e restrições fuzzy,
g j ( x ), j = 1,2 ,..., m , sejam representadas por suas funções
de pertinência normalizadas, Fi ( f i ( x )) ∈ [ 0 ,1 ]
G j ( g j ( x )) ∈ [ 0 ,1 ] . Segundo Bellman e Zadeh, a decisão
fuzzy D é representada pela conjunção das funções de
pertinência dos objetivos e restrições, ou seja:
D( x ) = F1 ( f 1 ( x )) ∩ ... ∩ Fn ( f n ( x )) ∩
(III.1)
G1 ( g 1 ( x )) ∩ ... ∩ G n ( g n ( x ))
onde tanto as restrições quanto a função objetivo são
~
funções lineares e os parâmetros do modelo a~ij , b j e ~
c i são
e definidos através de conjuntos fuzzy.
De acordo com o tipo de imprecisão do modelo, pode-se
ter a seguinte classificação:
- Problemas com restrições fuzzy – As restrições são
definidas a partir de conceitos vagos e imprecisos, todavia
os parâmetros do modelo são crisp. Esses problemas são
normalmente resolvidos através da técnica de programação
linear flexível [4]-[11].
n

O símbolo ∩ representa um operador de conjunção de

min Z = ∑c x
i =1
i i

conjuntos fuzzy segundo alguma norma-t. Desta forma, a n

decisão ótima x * é dada por: ∑a j =1
ij
~
xj ≤ bj (III.4)

x * = arg sup D( x ) (III.2) x1 , x 2 ,..., x n ≥ 0

x∈ X
- Problemas com parâmetros fuzzy – As restrições são bem
As expressões apresentadas acima representam a base definidas, contudo os parâmetros do modelo são dados por
teórica da otimização fuzzy. Ou seja, a maioria das técnicas conjuntos fuzzy. Esses problemas são normalmente
de solução de modelos fuzzy parte dessa idéia a fim de resolvidos através das técnicas de programação linear
transforma um problema fuzzy num modelo que pode ser possibilística [5] e programação linear robusta[6].
resolvido por técnicas de otimização tradicionais. Segundo n
Inuiguchi e Ramik [3], a abordagem de solução de min Z = ∑ ~c x i i
problemas de otimização fuzzy pode ser representada pela i =1

figura 2. n (III.5)
∑ a~
~
ij xj ≤ bj
j =1

x1 , x 2 ,..., x n ≥ 0

Nesse trabalho devido à característica do problema que

está sendo tratado, serão apresentadas somente as técnicas
de programação linear possibilística e programação linear
robusta. Para simplificar a exposição dessas técnicas, os
parâmetros serão representados por números fuzzy
triangulares simétricos.
Um número fuzzy triangular simétrico pode ser descrito
por:
a~ = a c , wa
ij ij ij (III.6)

onde, o primeiro termo representa o número central e o

Fig. 2. Abordagem de solução de problema por programação matemática segundo a largura da faixa de variação.
fuzzy
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 3

Para o tratamento da função objetivo, será utilizado o

conceito de p-necessidade fractile [3]-[8], que é definida
como o menor valor de u que satisfaz a
C. Programação Linear Possibilística
 n 
Aplicando as medidas de necessidade às restrições fuzzy,
tem-se [3]-[7]-[8]:
Nec
 ∑
cij x j ≤ u  ≥ p . De maneira semelhante ao exposto
~

 j =1 
 n  anteriormente, mostra-se que essa expressão é equivalente a:
Nec
 ∑ a~ij x j ≤ b lj  ≥ p , 0 ≤ p ≤ 1

(III.5)
 j = 1 
 n 
onde: b lj representa o valor inferior para o parâmetro b j , min
 ∑ (c c
j + p.wc j x j 

) (III.8)
dado p, ou seja, b lj = b cj − p .wbj .  j =1 
A expressão acima, impõe que as restrições devem ser
Combinando as expressões (III.7) e (III.8), chega-se ao
satisfeitas com um grau de certeza de no mínimo p. Como os
modelo crisp equivalente:
coeficientes fuzzy estão sendo representados por números
fuzzy simétricos triangulares, pode-se definir números fuzzy
F j que representam o lado esquerdo de cada restrição:  n 
min
 ∑ (c c
j + p.wc j x j 

)
 j =1 
n n sa (III.9)
Fj = ∑ a ijc x j , ∑ wa ij x j (III.6) n
j =1 j =1
∑ (a
j =1
c
ij )
+ p.wa ij x j ≤ b cj − p .wb j

Desta forma, a expressão (III.5) pode ser representada

graficamente da seguinte forma:
D. Programação Linear Robusta
Existem inúmeras variantes para as técnicas denominadas
de robusta, contudo todas elas se baseiam no conceito de
α − cut . A seguir será apresentada uma solução através da
programação linear intervalar[6].
Seja α um nível ótimo para o problema de decisão fuzzy,
de acordo com as regras de operação com números fuzzy e as
propriedade dos conjuntos fuzzy α − cut , o problema (III.5)
pode ser reduzido ao seguinte problema de programação
linear intervalar.
Fig. 3. Representação gráfica da expressão (III.5)
n

n n
min Z α = ∑ [~c ]α x
i i

∑ ∑ wa
i =1
Onde, N = a ijc x j e EN = NM = ij x j n (III.10)
∑ [a~ij ]α x j ≤ [b j ]α
j =1 j =1 ~
j =1
  n x 1 , x 2 ,..., x n ≥ 0
Pela figua 3, para que Nec
 ∑
a~ij x j ≤ b lj  ≥ p os pontos

 j =1 
da distribuição de possibilidade F j devem estar abaixo da Seja [Z 1
α
]
, Z 2α , o intervalo ótimo solução de (III.10),
linha l, o que é equivalente a dizer que t não é maior que b lj . através das propriedades dos conjuntos de fuzzy α − cut ,
tem-se o seguinte teorema.
Por similaridade de triângulos, pode-se escrever:
Teorema 1. Se 0 ≤ α 1 ≤ α 2 ≤ 1 , então:
t−N p
= ⇒ t = N + p.NM [Z α1
] [
, Z 2α 1 ⊇ Z 1α 2 , Z 2α 2 ]
NM 1 1

Assim, Assim, tomando um sequência de níveis,

n 0 ≤ α 1 ≤ α 2 ≤ ... ≤ α n −1 ≤ α n ≤ 1
t= ∑ (a c
ij )
+ pwij x j ≤ b lj (III.7)
j =1
Pode-se ter uma sequência de intervalos ótimos
correspondentes,
Resultado semelhante pode ser mostrado para o caso de
resrições de maior ou igual.
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 4

[Z α1
1 ] [ ] [ α α
] [ α α
, Z 2α 1 ⊇ Z 1α 2 , Z 2α 2 ⊇ ... ⊇ Z 1 n −1 , Z 2 n −1 ⊇ Z 1 n , Z 2 n ] V. ESTUDO DE CASO

A. Programação Linear Crisp e Análise de Sensibilidade

Esses intervalos ótimos fornecem informações valiosas
A solução do modelo de mistura para produção de bunker
para a tomada de decisão.
é apresentada na tabela seguinte. As duas últimas colunas
mostram a sensibilidade da solução em relação à variação
IV. MODELO DE MISTURA FUZZY
dos coeficientes da função objetivo.
Como visto na seção II, o bunker é obtido através de uma
mistura de RASF, LCO e querosene. As duas qualidades que TABELA II
devem ser observadas nessa mistura são a densidade e a SOLUÇÃO DO PROBLEMA DE MISTURA: CASO CRISP E ANÁLISE DE
SENSIBILIDADE
viscosidade. A densidade apresenta uma característica de Variável Solução Custo Menor Maior
mistura linear em base volumétrica, enquanto a viscosidade ótima valor valor
uma característica não linear. Entretanto, utilizando o percRASF 0,583 2 0 infinito
método de fator de mistura [9] é possível tornar o cálculo da percLCO 0,158 10 0 19,05
viscosidade linear em certo intervalo de variação. percQuero 0,259 20 10,45 Infinito
Para exemplificar o estudo de caso, a tabela seguinte
apresenta os dados relativos aos produtos intermediários e A tabela acima mostra que devido às restrições de
ao produto final, o bunker MF-180 (Marine Fuel com qualidade do bunker é necessária a utilização de uma
viscosidade cinemática de 180 cSt a 500 C). percentagem razoável de querosene na mistura. Outro fato
interessante é que independente da variação do custo do
TABELA I RASF a solução ótima continuará a mesma.
PROPRIEDADES DOS PRODUTOS INTERMEDIÁRIOS E BUNKER Como já foi discutido anteriormente, a validade dessa
Produtos Visc. Densidade Fator de Custo solução é bem pequena, pois as propriedades dos produtos
cSt (500C) Kg/m3 (150C) correção visc. intermediários variam de acordo com a campanha da
RASF 900000 <1,1;0,1> <0,992;0,1> <2;0,1> refinaria. Outro ponto que deve ser observado é a limitação
LCO 2,7 <0,94;0,08> <0,470;0,04> <10;0,5>
Querosene 2,2 <0,76;0,04> <0,441;0,03> <20;1,0>
da análise de sensibilidade para o estudo da variação dos
MF-180 180 <0,9868;0,1> <0,767;0,1> - parâmetros, pois esta técnica considera a variação de cada
Os dados entre o símbolo <> são números fuzzy triangulares simétricos parâmetro por vez, o que não corresponde à realidade.
conforme definição anterior

B. Programação Linear Possibilística

Desta forma, utilizando os dados da tabela anterior, o A formulação (III.9) mostra o modelo de programação
modelo de mistura fuzzy para obtenção de bunker pode ser linear equivalente ao modelo de programação linear fuzzy
descrito por: sob a ótica da técnica Possibilística. Entretanto, o modelo de
mistura para a produção de bunker apresenta uma restrição
~
( ~ ~
min 2 percRASF + 10 percLCO + 20 percQuero ) de igualdade que deve também ser tratada por essa técnica.
Para isto, foi realizada uma transformação da restrição de
s .a ,
igualdade em duas restrições de desigualdade, levando em
~ ~
0 ,99 2 percRASF + 0 ,47 0 percLCO + (IV.1) consideração a variação do parâmetro fuzzy do lado direito.
~ ~ Assim, obtém-se o modelo de programação linear
0 ,44 1 percQuero = 0 ,76 7
~ ~ equivalente a seguir:
1,1 0 percRASF + 0 ,9 4 percLCO + (IV.2)
~ ~ min[( 2 + 0 ,1 p ) percRASF + ( 10 + 0 ,5 p ) percLCO +
0 ,7 6 percQuero ≤ 0 ,98 68
percRASF + percLCO + percQuero = 1 (IV.3) ( 20 + 1,0 p ) percQuero]
0 ≤ percRASF , percLCO , percQuero ≤ 1 s .a ,
( 0 ,992 + 0 ,1 p ) percRASF + ( 0 ,470 + 0 ,04 p ) percLCO +
( 0 ,441 + 0 ,03 p ) percQuero ≤ 0 ,767 + 0 ,1 p
Onde as variáveis percRASF, percLCO e percQuero são
as percentagens de cada produto intermediário na mistura. ( 0 ,992 − 0 ,1 p ) percRASF + ( 0 ,470 − 0 ,04 p ) percLCO +
As equações (IV.1) e (IV.2) representam a restrições de ( 0 ,441 − 0 ,03 p ) percQuero ≤ 0 ,767 − 0 ,1 p
mistura relativas à viscosidade e densidade do bunker, ( 1,10 + 0 ,1 p ) percRASF + ( 0 ,94 + 0 ,08 p ) percLCO +
respectivamente. A restrição (IV.3) faz-se necessária para
( 0 ,76 + 0 ,04 p ) percQuero ≤ 0 ,9868 − 0 ,1 p
evitar a solução trivial que é não produzir nada.
percRASF + percLCO + percQuero = 1
0 ≤ percRASF , percLCO , percQuero, p ≤ 1

Para se obter uma solução com o maior grau de certeza, o

parâmetro p será incrementado com passo de 0,05 a partir de
zero (que corresponde ao caso crisp) até o máximo, tal que o
problema ainda seja viável.
 > REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 5

TABELA III
SOLUÇÃO POR PROGRAMAÇÃO LINEAR POSSIBILÍSTICA
Grau de percRASF percLCO percQuero Func.
necessidade Objetivo
D. Simulação de Monte Carlo
0,00 0,5833 0,1581 0,2585 7,9185
0,05 0,5834 0,1081 0,3084 8,4377 Para fins de comparação com as outras técnicas para o
0,10 0,5833 0,0596 0,3570 8,9485 tratamento das incertezas dos parâmetros do modelo, foi
0,15 0,5830 0,0123 0,4045 9,4509
0,16 0,5830 0,0030 0,4138 9,5505
implementado um programa para simulação do modelo.
P > 0,16 Inviável Os valores das variáveis na simulação são obtidos a partir
de números pseudo-randômicos, podendo assumir qualquer
valor dentro do intervalo de variação definido para cada
parâmetro.
C. Programação Linear Robusta
A tabela seguinte apresenta um resumo comparativo de
De acordo com a teoria de programação linear intervalar todos os métodos de solução apresentados.
[6], o modelo (III.10) pode ser resolvido da seguinte forma:
TABELA V
min Z 1α = [( 2 − 0 ,1α ) percRASF + ( 10 − 0 ,5α ) percLCO + COMPARAÇÃO DAS TÉCNICAS DE SOLUÇÃO
variável Crisp Possibilística Robusta Simulação *
( 20 − 1,0α ) percQuero]
s .a , percRASF 0,58 [0,58; 0,58] [0,56;0,58] [0,86;0,46]
percLCO 0,16 [0,16; 0,00] [0,36;0,00] [0,14;0,06]
( 0 ,992 + 0 ,1α ) percRASF + ( 0 ,470 + 0 ,04α ) percLCO + percQuero 0,26 [0,26 ;0,41] [0,07;0,41] [0,00;0,47]
( 0 ,441 + 0 ,03α ) percQuero ≤ 0 ,767 + 0 ,1α F. Objetivo 7,92 [7,92 ;9,55] [6,18;9,55] [3,10;11,54]
( 0 ,992 − 0 ,1α ) percRASF + ( 0 ,470 − 0 ,04α ) percLCO + * Os resultados da simulação foram obtidos com 10000
( 0 ,441 − 0 ,03α ) percQuero ≤ 0 ,767 − 0 ,1α iterações

( 1,10 − 0 ,1α ) percRASF + ( 0 ,94 − 0 ,08α ) percLCO +

( 0 ,76 − 0 ,04α ) percQuero ≤ 0 ,9868 + 0 ,1α
percRASF + percLCO + percQuero = 1
0 ≤ percRASF , percLCO , percQuero ≤ 1
E,
min Z 2α = [( 2 + 0 ,1α ) percRASF + ( 10 + 0 ,5α ) percLCO +
( 20 + 1,0α ) percQuero]
s .a ,
( 0 ,992 + 0 ,1α ) percRASF + ( 0 ,470 + 0 ,04α ) percLCO +
( 0 ,441 + 0 ,03α ) percQuero ≤ 0 ,767 + 0 ,1α
( 0 ,992 − 0 ,1α ) percRASF + ( 0 ,470 − 0 ,04α ) percLCO +
( 0 ,441 − 0 ,03α ) percQuero ≤ 0 ,767 − 0 ,1α
( 1,10 + 0 ,1α ) percRASF + ( 0 ,94 + 0 ,08α ) percLCO +
( 0 ,76 + 0 ,04α ) percQuero ≤ 0 ,9868 − 0 ,1α
percRASF + percLCO + percQuero = 1
0 ≤ percRASF , percLCO , percQuero ≤ 1
Onde a solução ótima para cada α − cut é dada pelo
[ ]
intervalo Z = Z 1α , Z 2α .
É interessante observar que o segundo modelo da
programação linear robusta é idêntico ao modelo de
programação linear possibilística. Isto já era esperado, pois
apesar de partirem de conceitos diferentes, as duas técnicas
estão fundamentadas pela mesma base teórica.
De forma similar ao realizado para o caso da programação
possibilística, o parâmetro α − cut será incrementado com
passo de 0,05 a partir de zero (que corresponde ao caso
crisp) até o máximo, tal que o problema ainda seja viável.
VI. CONCLUSÕES
Este trabalho mostrou que a técnica de programação
linear fuzzy pode ser empregada com vantagem sobre a
programação linear clássica na solução de problemas com
incerteza nos parâmetros. O decisor através de uma
abordagem fuzzy tem a sua disposição um intervalo de
valores possíveis para a solução do problema, podendo
escolher para cada grau de certeza a melhor solução a ser
implementada.
Não é possível fazer comparações sobre as técnicas de
solução fuzzy, contudo a programação linear robusta parece
ser mais adequada por considerar também valores abaixo da
função objetivo crisp.
A simulação de Monte Carlo é uma técnica interessante,
contudo exige elevado tempo computacional para a
realização das diversas rodadas do modelo, somente
podendo ser aplicada em problemas de pequeno porte. Além
disso, algumas das soluções viáveis da simulação são
inviáveis na prática, pois não foi considerada a correlação
entre as propriedades dos produtos intermediários. Esta
observação justifica o valor tão baixo encontrado para a
função objetivo na execução da simulação.
REFERÊNCIAS BIBLIGRÁFICAS
[1] R.E. Bellman, L.A. Zadeh, “Decision-making in a fuzzy
Environment” , Management Sci. 17,1970, pp. B141-B164.
[2] G. H. Sysmonds, “Linear Programming: The Solution of Refinery
Problems”. New York: Esso Standard Oil Company, 1955.
[3] M. Inuiguchi, J. Ramík, “Possibilistic linear programming: a brief
review of fuzzy mathematical programming and a comparison with
stochastic programming in portfolio selection problem”, Fuzzy Sets
and Systems 111, 2000, pp.3-28.
[4] H.-J. Zimmermann, “Fuzzy programming and linear
programming with several objective functions”, Fuzzy Sets and
Systems 1, 1978, pp.45-55.
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 6

[5] J.J. Buckley, “Solving possibilistic linear programming problems”,

Fuzzy Sets and Systems 31, 1989, pp.329-341.
[6] T. Shaocheng, “Interval number and fuzzy number linear
programmings “, Fuzzy Sets and Systems 66, 1994, pp. 301-306.
[7] M. Inuiguchi, H. Ichihashi, “Relative modalities and their use
in possibilistic linear programming”, Fuzzy Sets and Systems 35,
1990, pp. 303-323.
[8] A.A., Gandolpho, Metodologia de Resolução de Problemas de
Programação Linear Fuzzy, Tese de Doutorado, PUC-Rio, 2005
[9] R. Garcia, H.J. Bernardes, Manual de utilização de óleos
combustíveis ultraviscosos. 11 edição, Belo Horizonte, MG (1995)
[10] L.A. Zadeh, Fuzzy sets as a basis for a theory of possibility,
Fuzzy Sets and Systems 1 1978, pp. 3-28.
[11] L.C. Felizari, Otimização fuzzy aplicada a problemas da produção de
derivados em refinarias de petróleo, Dissertação de Mestrado,
CEFET-PR, 2004.