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:

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.