Prof Ryno Laubscher van die Departement Meganiese en Megatroniese Ingenieurswese in die Fakulteit Ingenieurswese aan die Universiteit Stellenbosch het Donderdag 2 Oktober 2025 sy intreerede gelewer. Die titel van sy lesing was “Die aanwending van diepleer vir termovloeistelsels”.

Laubscher het met die Afdeling Korporatiewe Kommunikasie en Bemarking gesels oor hoe hy diepleer in sy navorsing aanwend om die uitdaging van die optimalisering van energiestelselkomponente aan te pak.

Vertel ons meer oor jou navorsing en waar jou belangstelling in hierdie spesifieke vakgebied vandaan kom.

In ʼn onderdeel van my navorsing kombineer ek diepleer (DL) met termiese vloeistofstelsels (verbranding, kragsiklusse, turbomasjinerie) om vinniger, meer akkurate voorspellingsmodelle te skep. Termiese vloeistofstelsels is stelsels waarin vloeistowwe hitte dra en oordra, soos in verhittings-, verkoelings- of energieprosesse.

My belangstelling is geprikkel weens die hoë koste van tradisionele simulasies van berekeningsvloeidinamika (CFD), oftewel die gebruik van rekenaars om te modelleer en voorspel hoe vloeistowwe en gasse beweeg en optree. Daarenteen bied masjienleer bykans onmiddellike voorspellings sodra ‘opleiding’ plaasgevind het. Hierdie voorspellings kan gebruik word in velde soos die verkenning van ontwerpruimtes (die proses van die toetsing van verskillende ontwerpopsies in harde- én sagteware om dié te vind wat die beste aan die vereistes voldoen), asook vir optimeringsprobleme.

Hoe sou jy die relevansie van jou werk beskryf?

Kunsmatige intelligensie- (KI-)surrogaatmodelle kan duur berekeningsvloei-simulasies met bykans onmiddellike voorspellings vervang, wat ontwerpoptimaliseringsprosesse aansienlik versnel. Deur generatiewe leerbenaderings maak hierdie modelle die omvattende verkenning van ontwerpruimtes moontlik, asook die ontdekking van geometrieë (die vorms en fatsoene van voorwerpe) en konfigurasies wat verder as konvensionele ingenieursbenaderings strek.

Kan jy voorbeelde gee van hoe jou navorsing in werklike kontekste toegepas word?

Van ons voltooide diepleerprojekte sluit die volgende in: die voorspelling van hoe warm die metaal in steenkoolkragstasie-herverhitters sal word om buisfoute tydens ladingsiklusse te voorkom; die raming van die druk in lugverkoelde kondensors met inagneming van onsekerhede om kragopwekking te optimaliseer; asook die ontwikkeling van vinnige surrogaatmodelle ter vervanging van duur CFD-simulasies vir toestelle wat die verbranding van metaan (ʼn kweekhuisgas) beheer.

Wat is sommige van die beperkings van datagedrewe benaderings wanneer dit op termiese vloeistofprobleme toegepas word?

Hierdie modelle vereis groot datastelle en funksioneer nie goed in situasies buite die data waarvolgens hulle opgelei is nie. Modelle kan basiese fisiese reëls oortree as die verskafde simulasie- of metingsdata onvolledig of onakkuraat is.

Hoe kan die beperkings van datagedrewe benaderings die hoof gebied word?

Twee opwindende metodes om bogenoemde beperkings aan te pak behels wetenskaplike diepleer en universele gewone differensiaalvergelykings (UODE’s). Wetenskaplike diepleer veranker fisiese wette (behoudswette) in neurale netwerkopleiding, wat datavereistes verminder terwyl fisiese konsekwentheid verseker word. UODE-oplossers gebruik neurale netwerke as leerbare komponente in gevestigde fisiese modelle, terwyl die bekende fisika akkuraat bly. Hierdie benaderings pak sommige van die beperkings van suiwer datagedrewe tegnieke aan, maar is self nie sonder uitdagings nie.

Watter ontwikkelings sien jy in jou veld in jou kristalbal?

Geometriese diepleer – ʼn benadering wat KI in staat stel om data met meer komplekse vorms en verbindings soos netwerke of 3D-oppervlaktes te behartig deur van die ingeboude patrone en strukture in die data gebruik te maak – sal myns insiens ʼn merkbare uitwerking op termiese vloeistofmodellering hê (die skep van rekenaarmodelle om te verstaan en te voorspel hoe vloeistowwe beweeg en hitte in ʼn stelsel oordra). Dit sal plaasvind deur ongestruktureerde CFD-maasdata direk te verwerk en sodoende geometriese parameteriseringsbeperkings uit te skakel en ware geometrie-agnostiese surrogaatmodelle moontlik te maak.

Daarbenewens kan geometriese DL ook met wetenskaplike DL gekombineer word, wat verdere potensiële voordele van die bou van surrogaatmodelle ontsluit.

In die toekoms hoop ek om netwerke van 3D- geometriese DL-komponentmodelle te ontwikkel wat onderling verbind is om volle termiese vloeistofstelsels soos gasturbines te simuleer, wat gelyktydig stelselvlakontwerpoptimalisering oor verskeie komponente heen moontlik maak.

Die hoëronderwysomgewing kan uitdagend wees. Wat hou jou gemotiveerd wanneer dinge moeilik raak?

Ek is werklik lief vir navorsing en onderrig, want dit herlaai my batterye. Dit word versterk deur my geloof, wat my help om aan te hou fokus op betekenisvolle bydraes wat die samelewing én ʼn hoër doel dien.

Vertel ons iets opwindends oor jouself wat mense nie sou verwag nie.

Dis vir my heerlik om in Brasiliaanse jiu-jitsu mee te ding.

Hoe bring jy jou vrye tyd deur?

Ek slaap.