Optimasi Topologi Frame Sepeda Listrik Menggunakan Software Ansys Dan Metode Back Propagation Neural Network - Genetic Algorithm

Kurniawan, Christoporus Risang (2022) Optimasi Topologi Frame Sepeda Listrik Menggunakan Software Ansys Dan Metode Back Propagation Neural Network - Genetic Algorithm. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111840000011-Undergraduate Thesis.pdf Download (3MB)

Abstract

Perkembangan teknologi kendaraan elektrik berkembang semakin pesat. Sumber penggerak untuk kendaraan elektrik berasal dari pasokan listrik yang disimpan dalam baterai. Sedangkan kapasitas baterai memiliki batas. Agar konsumsi energi menjadi lebih hemat perlu mereduksi berat kendaraan. Berat kendaraan dapat direduksi dengan metode optimasi topologi. Optimasi topologi merupakan metode untuk mengoptimalkan sebuah struktur dengan menghilangkan bagian yang tidak menumpu beban. Pada sub frame depan terdapat sumbu kemudi yang menumpu beban atau gaya dari roda depan. Selain itu juga terdapat bagian atas dan bawah frame yang menopang beban baterai motor listrik. Optimasi Topologi dilakukan dengan mengoptimalkan berat dengan tetap memperhatikan kekuatan stress pada frame. Dari penelitian sebelumnya diperoleh data gaya gaya yang bekerja dan geometri frame sepeda listrik yang dijadikan refrensi pada proses optimasi topologi. Selanjutnya digunakan metode BPNN-GA untuk memperoleh parameter yang paling optimal dari sejumlah data percobaan yang dilakukan dalam proses optimasi topologi. Proses optimasi topologi menggunakan software ANSYS. Pada proses optimasi topologi di ANSYS terdapat parameter yaitu percent to retain dan retained threshold. Parameter tersebut berpengaruh pada output optimasi toplogi yaitu pada massa dan maximum stress dari struktur yang dihasilkan. Maka perlu dilakukan optimasi lanjutan dengan metode BPNN-GA dengan software MATLAB, untuk memperoleh setting parameter terbaik sehingga menghasilkan struktur terbaik yaitu struktur yang memiliki berat teringan dengan maximum stress terkecil. Hasil dari penelitian ini diperoleh 30 data yang digunakan untuk melakukan training BPNN. Pada BPNN_Berat jaringan terbaik diperoleh dengan 2 hidden layer, dengan 4 neuron tiap hidden layer dan activation function tiap hidden layer adalah tansig. Pada BPNN_MaximumStress jaringan terbaik diperoleh dengan 2 hidden layer, dengan 5 neuron tiap hidden layer dan activation function tiap hidden layer adalah logsig. Dengan menggunakan Genetic Algorithm diperoleh parameter terbaik yaitu nilai Percent to Retain yaitu 45% dan Retained Threshold yaitu 27% atau 0.27. Kemudian parameter tersebut digunakan untuk melakukan optimasi topologi pada software ANSYS. Hasil dari optimasi tersebut diperoleh frame sepeda listrik dengan pengurangan massa yang terjadi sebesar 39.26% dari massa asli sebesar 10.443 kg menjadi 6.3427 Kg . Sedangkan peningkatan maximum stress terjadi sebesar 12.512% dari 158.41Mpa menjadi 178.23 Mpa.
==================================================================================================================================
The development of electric vehicle technology is growing rapidly. The source of propulsion for electric vehicles comes from the electricity supply stored in the battery. While the battery capacity has a limit. In order for energy consumption to be more efficient, it is necessary to reduce the weight of the vehicle. Vehicle weight can be reduced by topological optimization method. Topology optimization is a method for optimizing a structure by eliminating parts that are not load. In the front sub frame there is a head tube that supports the load or force of the front wheels. Topology optimization is done by optimizing the weight while paying attention to the stress strength on the frame.
From the previous research, the data of the forces and the geometry of the electric bicycle frame were obtained which were used as references in the topology optimization process. Furthermore, the BPNN-GA method is used to obtain the most optimal parameters from a number of experimental data carried out in topology optimization process. The topology optimization process uses ANSYS software. At ANSYS there are parameters, namely percent to retain and retained threshold. These parameters affect the topology optimization output, the mass and maximum stress of the resulting structure. So it is necessary to do further optimization using the BPNN-GA method with MATLAB software, to obtain the best parameter settings so as to produce the best structure, the structure that has lightest weight with the smallest maximum stress. The results, obtained 30 data used to conduct BPNN training. In BPNN_Berat the best network is obtained with 2 hidden layers, 4 neurons for each hidden layer and the activation function for each hidden layer is tansig. In BPNN_MaximumStress the best network is obtained with 2 hidden layers, 5 neurons per hidden layer and the activation function for each hidden layer is logsig. By using the Genetic Algorithm, the best parameters are obtained, the Percent to Retain value, which is 45% and the Retained Threshold, which is 27% or 0.27. Then these parameters are used to perform topology optimization on ANSYS software. The result of this optimization is an electric bicycle frame with a mass reduction of 39.26% from the original mass of 10,443 kg to 6,3427 kg. While the increment in maximum stress occurred by 12.512%
from 158.41Mpa to 178.23 Mpa.

Item Type:	Thesis (Other)
Additional Information:	RSM 629.227 2 Kur o-1 2022
Uncontrolled Keywords:	Backpropagation Neural Network, Frame Sepeda Listrik, Genetic Algorithm, Optimasi Topologi, Backpropagation Neural Network, Electric Bike Frame, Genetic Algorithm, Topology Optimization
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:	Mr. Marsudiyana -
Date Deposited:	14 Feb 2025 08:07
Last Modified:	14 Feb 2025 08:07
URI:	http://repository.its.ac.id/id/eprint/118747

Actions (login required)

View Item