Optimasi Multi Respon Proses End Milling Pada Material Aisi D2 Menggunakan Minimum Quantity Lubrication Dengan Metode Backpropagation Neural Network, Particle Swarm Optimization Dan Genetic Algorithm

Utama, Satrio darma (2023) Optimasi Multi Respon Proses End Milling Pada Material Aisi D2 Menggunakan Minimum Quantity Lubrication Dengan Metode Backpropagation Neural Network, Particle Swarm Optimization Dan Genetic Algorithm. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6007211011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (2MB) | Request a copy

Abstract

End milling merupakan salah satu proses pemesinan yang mampu memproduksi bentuk-bentuk yang kompleks dari material yang memiliki kekuatan, keuletan, dan kekuatan tarik yang tinggi. Dalam proses end milling, ada beberapa karakteristik sifat mampu mesin yang harus dicapai seperti gaya potong, kekasaran permukaan, dan keausan pahat. Teknik pelumasan berbasis minimum quantity lubrication (MQL) diterapkan dalam penilitian ini untuk meningkatkan kinerja pemotongan dengan memberikan pelumasan dan pendinginan pada zona pemotongan. Tujuan penelitian ini adalah untuk menentukan level-level parameter proses agar mencapai sifat mampu mesin dengan menimalkan gaya potong, kekasaran permukaan, dan keausan pahat pada proses end milling. Penelitian ini menggunakan material AISI D2 dengan dimensi ukuran benda kerja panjang 155 x lebar 55 x tinggi 15 mm. Eksperimen dilakukan dengan menggunakan desain Taguchi L18 yang direplikasi sebanyak 2 kali. Parameter-parameter proses yang divariasikan adalah jenis cairan pemotongan, yaitu MQL-minyak bunga matahari dan MQL-kelapa sawit, kecepatan spindel 800, 1100, dan 1400 rpm, gerak makan, 0.05, 0.15, dan 0.25 mm/gigi, dan kedalaman pemotongan 0.8, 1.2, dan 1.6 mm. Metode backpropagation neural network (BPNN) digunakan untuk memodelkan hasil eksperimen. Arsitektur jaringan yang dihasilkan dari proses pemodelan BPNN digunakan sebagai fungsi objektif dalam proses optimasi menggunakan particle swarm optimization (PSO) dan genetic algorithm (GA). Selanjutnya, eksperimen konfirmasi dilakukan untuk memvalidasi dan mengkonfirmasi hasil dari proses optimasi yang telah dilakukan sebelumnya. Arsitektur jaringan terbaik untuk gaya potong adalah 4-4-4-4-1, arsitektur jaringan terbaik untuk kekasaran permukaan arsitektur jaringan terbaik adalah 4-5-4-10-1 dan arsitektur jaringan terbaik keausan pahat adalah 4-6-2-2-1. Fungsi aktivasi yang diperoleh pada semua respon untuk setiap hidden layer adalah tansig dan output layer adalah purelin. Pengaturan level-level parameter proses optimal yang dihasilkan dari metode BPNN-PSO adalah menggunakan jenis cairan pemotongan minyak bunga matahari, kecepatan spindel sebesar 1065 rpm, gerak makan 0,05 mm/gigi, dan kedalaman potong sebesar 0,8 mm. Sementara itu, hasil optimasi metode BPNN-GA menghasilkan kombinasi parameter proses optimal yaitu menggunakan jenis cairan pemotongan minyak bunga matahari, kecepatan spindel 1046 rpm, gerak makan 0,05 mm/gigi, dan kedalaman potong sebesar 0,8 mm. Penggunaan minyak bunga matahari menghasilkan gaya potong dan keausan pahat yang lebih rendah dibandingkan penggunaan minyak sawit. Peningkatan gerak makan dan kedalaman potong meningkatkan gaya potong dan kekasaran permukaan meningkat saat peningkatan gerak makan, sedangkan peningkatan kecepatan spindel meningkatkan keausan pahat.
===================================================================================================================================
End milling is one of the machining processes capable of producing complex shapes from materials with high strength, toughness, and tensile strength. In the end milling process, several characteristics of machine performance need to be achieved, such as cutting force, surface roughness, and tool wear. The Minimum Quantity Lubrication (MQL) lubrication technique is applied in this research to enhance cutting performance by providing lubrication and cooling in the cutting zone. This study aims to determine the process parameter levels to achieve machine performance characteristics while minimizing cutting force, surface roughness, and tool wear in the end milling process. This study uses AISI D2 material with a workpiece dimension of 155 x 55 x 15 mm. The experiments are conducted using the Taguchi L18 design, replicated twice. The varied process parameters include the type of cutting fluid, namely MQL-sunflower oil and MQL-palm oil, spindle speeds of 800, 1100, and 1400 rpm, feed rate of 0.05, 0.15, and 0.25 mm/tooth, and cutting depths of 0.8, 1.2, and 1.6 mm. The backpropagation neural network (BPNN) method is used to model the experimental results. The network architecture obtained from the BPNN modeling process is used as the objective function in the optimization process using particle swarm optimization (PSO) and genetic algorithm (GA). Subsequently, confirmation experiments are conducted to validate and confirm the results of the previous optimization process. The best network architecture for cutting force is 4-4-4-4-1, the best network architecture for surface roughness is 4-5-4-10-1, and the best network architecture for tool wear is 4-6-2-2-1. The activation function obtained for all responses for each hidden layer is tansig, and the output layer is purelin. The optimal process parameter settings obtained from the BPNN-PSO method are to use sunflower oil as the cutting fluid, a spindle speed of 1065 rpm, a feed rate of 0.05 mm/tooth, and a cutting depth of 0.8 mm. Meanwhile, the optimization results from the BPNN-GA method produce the optimal process parameter combination, which includes using sunflower oil as the cutting fluid, a spindle speed of 1046 rpm, a feed rate of 0.05 mm/tooth, and a cutting depth of 0.8 mm. The use of sunflower oil results in lower cutting force and tool wear compared to the use of palm oil. An increase in the feed rate and cutting depth increases cutting force and Surface roughness increases with an increase in feed rate, while an increase in spindle speed increases tool wear.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	End milling, AISI D2, MQL, BPNN, PSO, GA, End milling, AISI D2, MQL, BPNN, PSO, GA.
Subjects:	T Technology > TJ Mechanical engineering and machinery T Technology > TS Manufactures
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User:	Satrio darma utama
Date Deposited:	26 Sep 2023 03:19
Last Modified:	26 Sep 2023 03:19
URI:	http://repository.its.ac.id/id/eprint/102879

Actions (login required)

View Item