Optimasi Multi Respon Proses Gurdi AA7075 menggunakan Minimum Quantity Lubrication (MQL) dengan Metode Backpropagation Neural Network, Genetic Algorithm, dan Firefly Algorithm

Fajardini, Ridhani Anita (2023) Optimasi Multi Respon Proses Gurdi AA7075 menggunakan Minimum Quantity Lubrication (MQL) dengan Metode Backpropagation Neural Network, Genetic Algorithm, dan Firefly Algorithm. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6007211023 - Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Proses gurdi merupakan salah satu operasi pemesinan yang penting dalam industri manufaktur untuk pelubangan pada komponen suatu produk. Secara umum lubang pada suatu komponen digunakan untuk proses perakitan, sehingga diperlukan lubang yang berkualitas. Proses pemesinan harus dilakukan dengan tepat agar komponen yang dihasilkan dapat memenuhi spesifikasi yang telah ditentukan. Teknik pelumasan berbasis minimum quantity lubrication (MQL) merupakan salah satu upaya yang diaplikasikan pada proses gurdi untuk meningkatkan kinerja pengerjaan benda kerja, dengan melakukan pelumasan dan pendinginan pada daerah pahat dan benda kerja. Kinerja proses gurdi dapat dievaluasi berdasarkan sifat mampu mesin (machinability) seperti gaya tekan, torsi, dan kekasaran permukaan, yang nilainya diharapkan seminimum mungkin. Gaya tekan, torsi, dan kekasaran permukaan yang dihasilkan pada proses gurdi dipengaruhi oleh parameter proses dan kondisi pemotongan. Oleh sebab itu diperlukan penentuan level-level dari parameter-parameter proses yang menghasilkan gaya tekan, torsi, dan kekasaran permukaan minimum.
Pada penelitian ini material yang digunakan adalah paduan aluminium atau aluminium alloy 7075 (AA7075). AA7075 merupakan material yang digunakan dalam pembuatan komponen pada otomotif, konstruksi, elektronik, transportasi, kelautan serta industri kedirgantaraan. Material ini juga sering digunakan dalam pembuatan komponen pesawat terbang, seperti pada bagian sayap pesawat. Parameter proses gurdi yang digunakan yaitu jenis cairan pemotongan, kecepatan spindel, dan gerak makan sedangkan parameter respon adalah gaya tekan, torsi, dan kekasaran permukaan. Jenis cairan pemotongan yang digunakan yaitu minyak kelapa sawit dan bunga matahari. Kecepatan spindel yang digunakan adalah 500, 1500, dan 2500 rpm dan gerak makan dengan nilai 0,05; 0,10; 0,15 mm/rev. Desain eksperimen menggunakan metode Taguchi L18 (21×33) dengan replikasi sebanyak dua kali. Hasil pengukuran parameter respon dari eksperimen kemudian dilakukan optimasi untuk mendapatkan level-level parameter proses yang paling tepat untuk proses gurdi. Studi ini juga menggunakan backpropagation neural network dan genetic algorithm (BPPN-GA) serta backpropagation neural network dan firefly algorithm (BPPN-FA) sebagai metode untuk melakukan optimasi multi respon.
Arsitektur jaringan BPNN dikembangkan untuk masing-masing respon. Arsitektur jaringan BPNN untuk respon gaya tekan adalah 3-10-6-10-1, yang berarti terdapat 1 input layer dengan 3 neuron, 3 hidden layer yang masing-masing hidden layer memiliki neuron 10, 6, dan 10 serta 1 output layer. Respon torsi memiliki arsitektur jaringan 3-10-9-7-1 yaitu 1 input layer dengan 3 neuron, 3 hidden layer yang masing-masing hidden layer memiliki 10, 9, dan 7 neuron serta 1 output layer. Arsitektur jaringan untuk respon kekasaran permukaan yaitu 3-9-4-9-1, yang memiliki arti terdapat 1 input layer dengan 3 neuron, 3 hidden layer yang masing-masing hidden layer memiliki 9, 4, dan 9 neuron serta 1 output layer. Ketiga arsitektur jaringan menggunakan fungsi aktivasi pada masing-masing hidden layer adalah tansig dan pada output layer adalah purelin sedangkan fungsi pelatihan BPNN adalah trainlm. Optimasi multi respon secara serentak menggunakan metode BPNN-GA menunjukkan bahwa nilai minimum untuk ketiga respon dapat dicapai dengan menggunakan jenis cairan pemotongan minyak sawit, kecepatan spindel sebesar 2334 rpm, dan gerak makan 0,05 mm/rev. Selanjutnya hasil optimasi multi respon secara serentak menggunakan metode BPNN-FA menghasilkan nilai minimum untuk ketiga respon dengan menggunakan jenis cairan pemotongan yaitu minyak sawit, kecepatan spindel sebesar 2410 rpm, dan gerak makan 0,05 mm/rev. Hasil eksperimen konfirmasi dengan menggunakan pengaturan parameter proses dengan kedua metode tersebut yaitu BPNN-GA dan BPNN-FA mampu menghasilkan nilai respon yang minimum yang sesuai dengan nilai respon hasil optimasi. Gaya tekan, torsi, dan kekasaran permukaan mengalami peningkatan seiring dengan meningkatnya gerak makan sedangkan peningkatan kecepatan spindel menurunkan gaya tekan dan torsi. Penggunaan minyak sawit sebagai cairan pemotongan menurunkan gaya tekan dan torsi sedangkan kekasaran permukaan menurun dengan menggunakan minyak matahari.
====================================================================================================================================
The drilling process is one of the most important machining operations in the manufacturing industry for making holes in the components of a product. In general, holes in a component are used for the assembly process, so quality holes are needed. The machining process must be carried out precisely so that the components produced can meet specifications. The minimum quantity lubrication (MQL) based lubrication technique is an effort to be applied to the drilling process to improve workpiece work performance by lubricating and cooling the chisel and workpiece areas. The performance of the drilling process can be evaluated based on machinabilities, such as thrust force, torque, and surface roughness, which are expected to be as minimum as possible. Process parameters and cutting conditions influence the thrust force, torque, and surface roughness produced in the drilling process. Therefore it is necessary to determine the levels of the parameters that produce a minimum thrust force, torque, and surface roughness.
In this study, the material used is aluminum alloy 7075 (AA7075). AA7075 is a material used in the manufacture of components in the automotive, construction, electronics, transportation, marine, and aerospace industries. This material is also often used in the manufacture of aircraft components, such as aircraft wings. The parameters of the drilling process used are the type of cutting fluid, spindle speed, and feeding, while the response parameters are thrust force, torque, and surface roughness. The types of cutting fluids used are palm oil and sunflower oil. The spindle speed used was 500, 1500, and 2500 rpm, and the feeding was 0.05, 0.10, 0.15 mm/rev. The experimental design used the L18 (21×33) based on the Taguchi method with two replications. The measurement results of the response levels of parameters from the experiment were then optimized to obtain the most appropriate process parameter for the drilling process. This study also uses the backpropagation neural network and genetic algorithm (BPPN-GA) as well as the backpropagation neural network and firefly algorithm (BPPN-FA) as methods for optimizing multiple responses.
The BPNN network architecture was developed for each response. The BPNN network design for the thrust force response is 3-10-6-10-1, which denotes the presence of one input layer with three neurons, three hidden layers with ten, six, and ten neurons each of them, and one output layer. The network architecture of the torque is 3-10-9-7-1, which consists of one input layer with three neurons, three hidden layers, each of which has ten, nine, and seven neurons, and one output layer. The network design for surface roughness is 3-9-4-9-1, which indicates that there is a single input layer with three neurons, three hidden layers, each of which has nine, four, and nine neurons, and a single output layer. The activation function for each hidden layer is tansig, and for the output layer is purelin, while the BPNN training function is trainlm. Multi-response optimization using the BPNN-GA hybrid method shows that the minimum values for the three responses can be achieved by using palm oil, a spindle speed of 2334 rpm, and feeding of 0.05 mm/rev. Furthermore, the results of simultaneous multi-response optimization using the hybrid method BPNN-FA result in minimum values for the three responses using palm oil, spindle speed of 2410 rpm, and feeding of 0.05 mm/rev. The results of confirmation experiments using process parameter settings with the two methods, namely BPNN-GA and BPNN-FA, produced a minimum response value corresponding to the response value from the optimization results. As the feeding increases, the thrust force, torque, and surface roughness also increase. However, the thrust force and torque decrease as the spindle speed increases. The use of palm oil as a cutting fluid reduces thrust force and torque, while the surface roughness decreases when using sunflower oil.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Drilling, Backpropagation Neural Network, Genetic Algorithm, and Firefly Algorithm, Proses Gurdi, Backpropagation Neural Network, Genetic Algorithm, dan Firefly Algorithm
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:	Ridhani Anita Fajardini
Date Deposited:	07 Aug 2023 07:23
Last Modified:	07 Aug 2023 07:23
URI:	http://repository.its.ac.id/id/eprint/103071

Actions (login required)

View Item