Setiawan, Moch. Ardi (2024) Kajian Multi Respon Proses End Milling pada Material Paduan Aluminium 7075-T651 Berdinding Tipis Permukaan Lengkung Menggunakan MQL dengan Metode BPNN-GA. Masters thesis, Institut Teknologi Sepuluh Nopember.
Text
6007222023-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy |
Abstract
Paduan aluminium 7075-T651, banyak digunakan dalam industri dirgantara, otomotif, dan militer karena memiliki kekuatan tertinggi dan sifat yang baik. Dalam industri tersebut, komponen berdinding tipis sangat umum digunakan. Proses pembuatan komponen ini melibatkan pemotongan material sampai berbentuk dinding tipis. Pemesinan dinding tipis berkecepatan tinggi semakin populer karena memiliki keuntungan seperti daya potong yang rendah, suhu pemotongan yang rendah, waktu pemesinan yang singkat, dan hasil permukaan yang baik. Namun, pemesinan dinding tipis permukaan lengkung menjadi sulit karena kekakuan yang rendah. Faktor parameter proses end milling dan pendinginan memainkan peran penting dalam menjaga kualitas struktur berdinding tipis dengan permukaan lengkung. Parameter proses yang digunakan yaitu metode proses milling (up milling dan down milling), kecepatan spindel (3000, 5000, dan 7000 rpm) , kecepatan makan (50, 100, dan 150 mm/min), dan kedalaman potong (0,25; 0,5; dan 0,75 mm). Tujuan penelitian ini untuk mengetahui parameter proses dan level-levelnya yang dapat meminimalkan daya potong dan ketidaktegaklurusan pada proses end milling berdinding tipis permukaan lengkung. Selain itu juga dipelajari fenomena bentuk geram dan distribusi temperatur pemotongan. Penelitian ini menggunakan matriks orthogonal L18 yang direplikasi 2 kali. Hasil eksperimen dimodelkan dengan backpropagation neural network (BPNN). Arsitektur jaringan yang dihasilkan dari proses pemodelan BPNN digunakan sebagai fungsi objektif dalam proses optimasi genetic algorithm (GA). Arsitektur jaringan untuk respon daya potong adalah 4 neuron pada input layer, 13 neuron pada hidden layer, dan 1 neuron pada output layer. Arsitektur jaringan untuk respon ketidaktegaklurusan adalah 4 neuron pada input layer, 17 neuron pada hidden layer, dan 1 neuron pada output layer. Fungsi aktivasi yang diperoleh pada semua respon untuk hidden layer adalah logsig dan output layer adalah purelin. Pengaturan level-level parameter proses yang optimal adalah menggunakan up milling, kecepatan spindel sebesar 3000 rpm, kecepatan makan sebesar 53 mm/min, dan kedalaman potong 0,25 mm. Daya potong mengalami peningkatan dengan meningkatnya kecepatan spindel, kecepatan makan, dan kedalaman potong. Ketidaktegaklurusan meningkat seiring dengan meningkatnya kecepatan makan dan kedalaman potong sedangkan kenaikan kecepatan spindel dari kecepatan sedang ke kecepatan tinggi menurunkan ketidaktegaklurusan. Penerapan up milling menurunkan daya potong dan ketidaktegaklurusan. Selain itu proses up milling menghasilkan bentuk geram yang tubular dan temperatur pemotongan yang rendah sedangkan down milling menghasilkan bentuk geram ribbon dan temperatur pemotongan yang tinggi.
=======================================================================================================================================
Aluminum alloy 7075-T651, widely used in aerospace, automotive, and military industries because it has the highest strength and good properties. In these industries, thin-walled components are very common. The manufacturing process of these components involves cutting the material into a thin-walled shape. High-speed thin-wall machining is increasingly popular because it has advantages such as low cutting force, low cutting temperature, short machining time, and good surface finish. However, machining thin-wall curved surfaces is difficult due to low stiffness. The end milling and cooling process parameter factors play an important role in maintaining the quality of thin-walled structures with curved surfaces. The process parameters used are cutting direction (up milling and down milling), spindle speed (3000, 5000, and 7000 rpm), feed rate (50, 100, and 150 mm/min), and depth of cut (0.25; 0.5; and 0.75 mm).
The purpose of this study was to determine the process parameters and their levels that can minimize cutting power and perpendicularity deviation in the thin-walled curved surface end milling process. In addition, the phenomenon of chip shape and cutting temperature distribution were also studied. This study used an L18 orthogonal matrix that was replicated 2 times. The experimental results were modeled with a backpropagation neural network (BPNN). The network architecture resulting from the BPNN modeling process was used as an objective function in the genetic algorithm (GA) optimization process. The network architecture for the cutting power response is 4 neurons in the input layer, 15 neurons in the hidden layer, and 1 neuron in the output layer. The network architecture for the perpendicularity deviation response is 4 neurons in the input layer, 17 neurons in the hidden layer, and 1 neuron in the output layer. The activation function obtained for all responses for the hidden layer is logsig and the output layer is purelin. The optimal setting of process parameter levels is to use up milling, a spindle speed of 3000 rpm, a feed rate of 53 mm/min, and a cutting depth of 0.25 mm. Cutting power increases with increasing spindle speed, feed rate, and depth of cut. The perpendicularity deviation increases with increasing feed rate and depth of cut while increasing spindle speed from middle speed to high speed decreases the perpendicularity deviation. The application of up milling decreases cutting power and perpendicularity deviation. In addition, the up milling process produces tubular chips and low cutting temperatures while down milling produces ribbon chips and high cutting temperatures.
Item Type: | Thesis (Masters) |
---|---|
Uncontrolled Keywords: | End milling, curved thin wall, paduan aluminium 7075-T651, MQL, BPNN, GA, dinding tipis permukaan lengkung |
Subjects: | T Technology > TJ Mechanical engineering and machinery T Technology > TJ Mechanical engineering and machinery > TJ1077 Lubrication and lubricants. T Technology > TJ Mechanical engineering and machinery > TJ1225 Milling machines numerically controlled |
Divisions: | Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis |
Depositing User: | Moch. Ardi |
Date Deposited: | 10 Aug 2024 15:02 |
Last Modified: | 11 Sep 2024 02:50 |
URI: | http://repository.its.ac.id/id/eprint/115076 |
Actions (login required)
View Item |