O blog da AWS
Gêmeos Digitais com AWS IoT TwinMaker aplicados à indústria de Óleo & Gás
Por João Netto, Professor Titular do Instituto de Informática da Universidade Federal do Rio Grande do Sul (UFRGS); Marcos Tomazzoli Leipnitz, Ph.D. em Ciência da Computação pela UFRGS; Marcelo Ferreira Baptista, arquiteto de soluções senior no time de AWS LATAM; Iris Ferreira, arquiteta de soluções na AWS e Kurt Mueller, Gerente de Produto Técnico Sênior na AWS IoT.
Introdução aos gêmeos digitais
Gêmeos digitais são representações virtuais que espelham com precisão objetos físicos, sistemas ou processos, oferecendo insights e oportunidades de otimização em diversas indústrias. Ao integrar dados de múltiplas fontes e sincronizar continuamente com suas contrapartes do mundo real, esses modelos digitais dinâmicos permitem monitoramento, análise e previsão do comportamento de sistemas complexos.
Com aplicações abrangendo manufatura, aeroespacial, saúde, planejamento urbano e outras áreas, os gêmeos digitais têm imenso potencial para revolucionar a eficiência, sustentabilidade e inovação. No entanto, sua implementação bem-sucedida requer superar desafios como integração de dados, segurança cibernética e a necessidade de profissionais qualificados para desenvolver e manter essas tecnologias de ponta.
Neste post, discutimos como uma solução desenvolvida no projeto PeTWIN, com atuação da Universidade Federal do Rio Grande do Sul (UFRGS) e utilizando serviços da AWS, conseguiu superar desafios de integração e alcançar excelentes resultados de análise e monitoramento para um caso de uso na indústria de Óleo & Gás.
IoT e gêmeos digitais na AWS
A Amazon Web Services (AWS) fornece um conjunto abrangente de serviços e ferramentas em nuvem que permitem às organizações construir e implantar gêmeos digitais em escala, aproveitando o poder da Internet das Coisas (Internet of Things – IoT). O AWS IoT TwinMaker possibilita que desenvolvedores criem facilmente gêmeos digitais de sistemas do mundo real, como edifícios, fábricas, equipamentos industriais e linhas de produção. Além disso, o TwinMaker suporta integração com o Grafana por meio de um plugin de aplicativo. Com o Grafana é possível interagir com a aplicação de gêmeo digital por meio de painéis personalizados.
Esses gêmeos digitais podem integrar dados de diversas fontes, incluindo dispositivos IoT, sensores e aplicações empresariais, fornecendo uma visão holística do ambiente físico. Ao aproveitar as capacidades de IoT da AWS, incluindo gerenciamento de dispositivos, ingestão de dados e análise, as organizações podem obter insights em tempo real, simular cenários e otimizar operações com base na representação virtual do gêmeo digital.
Além disso, o AWS IoT Greengrass e o AWS IoT SiteWise permitem computação de borda e processamento de dados, facilitando a criação de gêmeos digitais para ambientes remotos ou desconectados. Isso amplia as possibilidades de aplicação dessa tecnologia em diversos setores e condições operacionais.
Com a infraestrutura de nuvem escalável e segura da AWS, as empresas podem desbloquear todo o potencial dos gêmeos digitais. Isso permite decisões mais precisas baseadas em dados, implementação de estratégias de manutenção preditiva e uma melhoria na eficiência operacional em todo o seu ecossistema IoT.
O desafio
Os modelos de gêmeos digitais são construídos a partir de uma ampla variedade de fontes de dados, incluindo monitoramento em tempo real do mundo físico e complexas bases de dados corporativas. Um dos principais desafios no desenvolvimento desses modelos é a contextualização eficaz desses dados heterogêneos dentro de um modelo virtual. Isso envolve não apenas a integração de informações diversas, mas também o estabelecimento de relações claras entre os componentes do modelo, explicando o significado e a origem dos dados, como o tipo de grandeza física representada e as escalas de medição utilizadas.
Uma abordagem que tem se mostrado eficaz é o uso de ontologias para cada gêmeo digital. Ontologias são artefatos computacionais que representam conceitos e relações em um domínio específico, fornecendo um vocabulário comum e uma base de conhecimento compartilhada. No contexto de gêmeos digitais, uma ontologia bem estruturada é um requisito fundamental para garantir a consistência e interoperabilidade dos dados. No setor de óleo e gás, o projeto PETWIN está desenvolvendo a O3PO (Ontologia de plantas de produção de petróleo offshore). Esta ontologia servirá como base para a solução proposta, pois oferece uma estrutura semântica para formalizar o conhecimento sobre equipamentos e processos em plataformas de produção.
Este blog mostrará como os componentes e serviços disponíveis na AWS podem ser utilizados para o desenvolvimento automatizado de gêmeos digitais centrados em dados e com contextualização dos dados a partir de uma ontologia de domínio com as instâncias de interesse do gêmeo a ser construído.
Solução

Figura 1: Arquitetura de gêmeos digitais completa, incluindo o fluxo da informação.
1. Construção do modelo do gêmeo digital
Visando promover interoperabilidade e agilizar o desenvolvimento, a solução foi projetada para permitir a configuração automática da infraestrutura de implantação. Uma função Lambda, executada periodicamente de acordo com uma regra de agendamento configurada, automatiza a criação do modelo do gêmeo digital a partir da ontologia instanciada, mapeando-a para o grafo de propriedades do AWS IoT TwinMaker e criando entidades e componentes que espelham os ativos físicos.
2. AWS IoT TwinMaker
O AWS IoT TwinMaker utiliza um modelo configurado para criar uma representação digital de um sistema físico. Esta representação é organizada como um “Grafo de Conhecimento”, que pode ser entendido como uma estrutura de dados que representa informações e as relações entre elas.

Figura 2: Exemplo de um grafo de conhecimento que representa um poço de petróleo e suas partes e propriedades associadas.
Esta estrutura permite que o TwinMaker organize o gêmeo digital em quatro componentes principais:

Figura 3: Componentes principais do AWS IoT TwinMaker.
- Entidades: representam objetos físicos ou lógicos (Exemplo: poço).
- Componentes: são módulos funcionais anexados às entidades (Exemplo: válvula de pressão).
- Recursos: são ativos digitais associados (modelos 3D e documentos).
- Cenas: são visualizações 3D interativas do sistema.
Essa organização em forma de grafo permite uma representação abrangente e interativa, facilitando análises e simulações. Os usuários podem “navegar” por esse grafo, explorando as relações entre diferentes componentes e acessando informações relevantes de forma intuitiva.
3. AWS IoT SiteWise – Modelagem de ativos
No SiteWise, os seguintes conceitos de representação são apresentados:
- Modelo (ou asset model): é uma espécie de esqueleto para criação de ativos. Armazena todas as possíveis propriedades e relações que um ativo pode ter;
- Ativo (ou asset): instância de um modelo. Pode conter (ou não) as propriedades e relações definidas no modelo;
- Propriedade (ou property): atributos de um ativo, armazenam dados estáticos (atributos ou attributes) ou um fluxo de dados (medições ou measurements);
- Relação (ou relationship): permite criar um vínculo entre diferentes ativos.
Uma função lambda automatiza a criação de modelos e ativos no AWS IoT SiteWise, baseando-se na ontologia definida. Atualmente, apenas a classe “tag” da ontologia é convertida em um modelo no SiteWise. Este processo utiliza a biblioteca rdflib para interpretar o arquivo .owl da ontologia, que representa o Grafo de Conhecimento.
Por exemplo, considerando a estrutura de uma FPSO (Unidade Flutuante de Produção, Armazenamento e Transferência) e seus poços:
Camada | Componente | Exemplos |
SiteWise Asset Model | Tag (representando sensores em poços ou na FPSO) Propriedades | ID, tipo, valor atual |
SiteWise Assets | Instâncias de Tag | -Pressão_Poço_A1 -Fluxo_Poço_A2 – Temperatura_FPSO |
TwinMaker Entidades | FPSO e Poços | – FPSO “Cidade A” – Poço “A1” – Poço “A2” |
TwinMaker Relações | Conexões entre entidades | – FPSO “Cidade de A” contém Poço “A1” – FPSO “Cidade de A” contém Poço “A2” |
O conector nativo entre SiteWise e TwinMaker é utilizado para vincular os dados dos assets (tags) criados no SiteWise às entidades correspondentes no TwinMaker. Isto permite que as propriedades dos ativos sejam acessíveis e atualizadas em tempo real no ambiente do gêmeo digital.
4. Captura de dados próximo à origem (borda)
O provedor de dados é API web da AVEVA que permite que aplicações interajam com o sistema PI para compartilhamento de dados em tempo real de diversos dispositivos e sistemas industriais. O SiteWise Edge é instalado no ambiente on-premise em um container na rede corporativa, utilizando o IoT Greengrass. O SiteWise Edge coleta dados em tempo real do PI Web API através de um cliente WebSocket, que publica os dados em um broker MQTT. Com isso, o SiteWise Publisher, parte do Greengrass, consome esses dados do broker MQTT e os sincroniza com a nuvem AWS.

Figura 4: Coleta de dados na borda com o SiteWise Publisher.
5. Processamento de séries temporais
Uma função Lambda coleta dados de tags específicas através da PI Web API para sincronizar o gêmeo digital. As tags a serem coletadas são definidas em um bucket S3, configurado durante a geração automática de recursos baseada na ontologia.

Figura 5: Diagrama de conexão da função de busca de dados a partir da nuvem.
6. Interface do usuário
A solução contém uma aplicação front-end permitindo uma visualização dinâmica e interativa dos dados coletados, e proporcionando aos usuários uma experiência rica e informativa na análise das séries temporais. Esta interface foi desenvolvida utilizando AWS Amplify para a construção e hospedagem da aplicação web, e Amazon CloudFront para uma distribuição de conteúdo eficiente e segura. Um componente chave desta implementação é o uso do AWS IoT App Kit, uma biblioteca de código aberto que oferece componentes e utilitários especializados para a criação de interfaces que trabalham com dados IoT e se integra com serviços AWS IoT como SiteWise e TwinMaker.
7. Consulta do modelo de gêmeo digital
A aplicação web oferece funcionalidades como consultas de entidades, relacionamentos e propriedades, execução de consultas semânticas, recuperação de séries temporais e atualização do modelo. Para interagir com os dashboards e informações, o usuário precisa consultar o grafo de conhecimento TwinMaker através da interface da aplicação. Embora o TwinMaker utilize a linguagem PartiQL para consultas, a aplicação web permite que o usuário use SPARQL, uma linguagem mais comum para consultas em grafos. Para resolver essa diferença, a solução implementa uma função Lambda que atua como uma camada de tradução entre SPARQL e PartiQL, permitindo uma interação fluida entre o usuário e o sistema. Isso permite que os usuários realizem consultas semânticas, tornando-as independentes do conhecimento sobre a estrutura física dos ativos.

Figura 6: Fluxo da tradução das consultas do usuário.
Resultados
Foi implementado com sucesso um gêmeo digital para 15 poços de petróleo usando a AWS IoT TwinMaker e a ontologia O3PO. Em apenas 7,5 minutos, foram geradas automaticamente 1.687 entidades no TwinMaker, incluindo 248 tags no AWS IoT SiteWise para armazenamento de séries temporais. A solução criou um total de 12.097 componentes e 72.774 propriedades, abrangendo dados de elevação e escoamento para poços injetores e produtores.
Este tempo de implementação em minutos representa uma significativa economia em comparação com métodos tradicionais de modelagem manual. Estima-se que a modelagem manual de um gêmeo digital para uma única plataforma poderia levar dias ou até semanas, dependendo da complexidade. Ao automatizar este processo, não só reduzimos o tempo de implementação, mas também garantimos a consistência e interoperabilidade entre diferentes gêmeos digitais, já que todos são baseados na mesma ontologia padronizada.
Um recurso importante da solução é a capacidade de realizar consultas semânticas e visualizar séries temporais através da aplicação web. Os usuários podem verificar o perfil de pressão ao longo do caminho do fluido, desde o poço até a válvula que controla o fluxo de fluidos da plataforma, sem necessidade de conhecer previamente a quantidade, localização ou tags dos sensores. A aplicação solicita apenas os nomes das propriedades (pressão a jusante de X, a montante de Y) e os valores correspondentes. Esta funcionalidade facilita a detecção rápida de anomalias, como possíveis vazamentos ou outras condições, através da análise das diferenças de pressão. Isso permite intervenções mais ágeis, potencialmente economizando em perdas de produção e danos ambientais.
A flexibilidade da solução permite que novas aplicações sejam desenvolvidas rapidamente, aproveitando a estrutura semântica já estabelecida. Isso reduz significativamente o tempo e custo de desenvolvimento de novas funcionalidades, pois elimina a necessidade de criar aplicações específicas para cada instância de poço ou plataforma.
Conclusão
A implementação com sucesso dessa solução de gêmeos digitais para poços de petróleo utilizando AWS IoT TwinMaker e a ontologia O3PO demonstra o potencial transformador desta tecnologia na indústria de óleo e gás. A solução desenvolvida não apenas automatiza a criação de modelos complexos em minutos, mas também oferece uma plataforma flexível e escalável para análise e monitoramento em tempo real. A capacidade de realizar consultas semânticas e visualizar séries temporais de forma intuitiva permite uma detecção rápida de anomalias e tomada de decisões mais assertivas. Além disso, a abordagem baseada em ontologias garante consistência e interoperabilidade entre diferentes gêmeos digitais, facilitando a expansão e adaptação do sistema para novos cenários. Esta solução representa um avanço na eficiência operacional e na gestão de ativos no setor de óleo e gás.
Sobre os autores
![]() |
João Netto, Professor Titular do Instituto de Informática da Universidade Federal do Rio Grande do Sul (UFRGS), com atuação na área de arquitetura de computadores, sistemas de automação e sistemas de tempo real. Coordenador do Projeto PeTWIN (*) – gêmeos digitais para otimização de Produção, com financiamento do Consórcio Libra e FINEP, que deu suporte a este desenvolvimento. |
![]() |
Marcos Tomazzoli Leipnitz, Ph.D. em Ciência da Computação pela UFRGS e atualmente trabalha como analista de redes e comunicação de dados no Projeto PeTWIN no Instituto de Informática da UFRGS. Sua pesquisa se concentra em gêmeos digitais, computação em nuvem, sistemas distribuídos, sistemas embarcados, computação de alto desempenho e arquitetura de computadores. |
![]() |
Marcelo Ferreira Baptista é um arquiteto de soluções senior no time de AWS LATAM. Trabalha com soluções de TI há mais de 30 anos, com experiência em vários segmentos de mercado e diferentes ambientes tecnológicos. Especialista em DevOps, Computing e HPC. |
![]() |
Iris Ferreira é arquiteta de soluções na AWS. Com formação em Engenharia Mecânica, auxilia clientes a experimentarem soluções práticas e escaláveis, buscando impacto positivo e transformação por meio de computação em nuvem. |
![]() |
Kurt Mueller é um Gerente de Produto Técnico Sênior na AWS IoT focado em fornecer aos clientes industriais os produtos de que necessitam. Ele está concentrado em liberar dados de equipamentos e sensores, transformando-os em insights acionáveis que os clientes podem usar para otimizar, aumentar e reinventar seus processos de produção industrial. |
(*) Membros do projeto PeTWIN que participaram deste desenvolvimento: Marcos Tomazzoli Leipnitz, Nicolas Cendron, Diego Amorim, Haroldo Souza, Rafael Trevisan, Gustavo Gomes, Luca Sartori Boni, Fabrício Rodrigues.