Optimasi Topologi Frame Sepeda Listrik dengan Software Altair Inspire Menggunakan Metode Backpropagation Neural Network - Genetic Algorithm

Widianto, Muhammad Farrel (2023) Optimasi Topologi Frame Sepeda Listrik dengan Software Altair Inspire Menggunakan Metode Backpropagation Neural Network - Genetic Algorithm. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111940000103-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Pemanasan global menjadi masalah yang sedang dialami di beberapa negara, salah satu penyebabnya adalah pencemaran lingkungan. Pencemaran lingkungan dapat disebabkan oleh berbagai hal seperti contohnya kendaraan bermotor. Kendaraan bermotor menghasilkan polusi yang dapat mencemari lingkungan. Oleh karena itu, kendaraan listrik dikembangkan sebagai moda transportasi yang lebih ramah lingkungan. Kendaraan listrik sendiri terdiri dari berbagai jenis salah satunya adalah sepeda listrik. Dalam rangka untuk meringankan massa sepeda listrik, maka dilakukan optimasi topologi. Optimasi topologi dapat mengurangi beban pada sepeda listrik yang akan mempengaruhi penggunaan energi dengan memperhatikan batasan tegangan yang diperbolehkan.
Pada penelitian ini, optimasi topologi dilakukan dengan software altair inspire menggunakan metode Backpropagation Neural Network-Genetic Algorithm. Untuk itu 32 data optimasi topologi dibutuhkan dengan parameter input mass target dan thickness. Kemudian didapatkan parameter output berupa mass dan maximum stress. Setelah itu data yang ada akan di optimasi menggunakan BPNN. Pada BPNN parameter yang digunakan adalah jumlah node, jumlah hidden layer, dan fungsi aktivasi. Setelah didapatkan jaringan BPNN, maka optimasi akan dilakukan menggunakan Genetic Algorithm. Parameter yang digunakan pada GA adalah jumlah kromosom, jumlah generasi, dan metode seleksi. Setelah prediksi didapatkan dari BPNN-GA maka akan dilakukan komparasi keduanya dan dilakukan validasi dengan memasukkan input hasil optimasi BPNN-GA pada software Altair Inspire.
Penelitian ini menghasilkan 32 data optimasi topologi melalui software Altair Inspire, yang kemudian akan digunakan untuk melakukan pelatihan BPNN. Pada BPNN untuk mass, diperoleh jaringan terbaik hidden layer 4, jumlah nodes 8, fungsi aktivasi Logsig, dan jenis pelatihan Levenberg-Marquardt dengan MSE 7.06E-05. Untuk BPNN Maximum Stress, jumlah hidden layer 2, jumlah nodes 7, fungsi aktivasi Tansig dan jenis pelatihan Levenberg-Marquardt dengan MSE 1.84E-02. Dengan menggunakan genetic algorithm didapatkan parameter input mass target 9.1% dan minimum thickness 6.5mm. Kemudian parameter tersebut digunakan untuk optimasi topologi dan dihasilkan nilai maximum stress sebesar 116.5 MPa dan massa 3.754 Kg. Hasil penelitian ini menunjukkan penurunan massa sebesar 41.4% dan penurunan maximum stress sebesar 34.6% dibandingkan dengan penelitian sebelumnya (Kurniawan, 2022).
====================================================================================================================================
Global warming is a problem that is being experienced in several countries where one of the causes is environmental pollution. Environmental pollution can be caused by various things such as motor vehicles. Motor vehicles produce pollution that can pollute the environment. Therefore, electric vehicles are developed as a more environmentally friendly mode of transportation. Electric vehicles themselves consist of various types, one of which is an electric bicycle. In order to make the electric bicycle more lighter, topological optimization is carried out. Topology optimization will reduce the mass on electric bikes which will affect energy use by paying attention to the allowable stress limits.
In this study, topology optimization was carried out with Altair Inspire software using the Backpropagation Neural Network-Genetic Algorithm method. For this reason, 32 topology optimization data with input parameters of target mass and thickness are needed. Then obtained output parameters in the form of mass and maximum stress. After that, the existing data will be optimized using BPNN. In BPNN the parameters used are the number of nodes, the number of hidden layers, and the activation function. After obtaining the BPNN network, optimization will be carried out using the Genetic Algorithm. The parameters used in GA are the number of chromosomes, the number of generations, and the selection method. After obtaining predictions from BPNN-GA a comparison of the two will be carried out and validation will be carried out by entering input from BPNN-GA optimization results in the altair inspire software.
This research produced 32 topology optimization data through Altair Inspire software, which will then be used to conduct BPNN training. In BPNN for mass, obtained the best network from hidden layer 4, number of nodes 8, Logsig activation function, and Levenberg-Marquardt training type with MSE 7.06E-05. For BPNN Maximum Stress, the best network is obtained from number of hidden layer 2, number of nodes 7, Tansig activation function and type of Levenberg-Marquardt training with MSE 1.84E-02. By using the genetic algorithm, the input mass target parameter is 9.1% and the minimum thickness is 6.5mm. Then these parameters were used for topological optimization and obtained a maximum stress value of 116.5 MPa and a mass of 3.754 Kg. This study provided a mass reduction of 41.4% and a maximum stress reduction of 34.6% compared to the previous study (Kurniawan, 2022).

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Frame Sepeda Listrik, Optimasi Topologi, BPNN, Genetic Algorithm, Maximum stress, Massa, Electric Bike Frame, Topology Optimization, BPNN, Genetic Algorithm, Maximum Stress, Mass
Subjects:	T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL410 Bicycles and bicycling--Design and construction
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Farrel Widianto
Date Deposited:	09 Aug 2023 07:41
Last Modified:	09 Aug 2023 07:41
URI:	http://repository.its.ac.id/id/eprint/102144

Actions (login required)

View Item