Optimasi Gaya Potong Dan Kekasaran Permukaan Untuk Proses Gerinda Permukaan Pada Superalloy Inconel 718

Juliano, David Verrel (2022) Optimasi Gaya Potong Dan Kekasaran Permukaan Untuk Proses Gerinda Permukaan Pada Superalloy Inconel 718. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111840000012-Undergraduate Thesis.pdf Download (2MB)

Abstract

Proses gerinda adalah salah satu proses permesinan yang bertujuan untuk mengikis permukaan benda kerja sesuai bentuk yang diinginkan. Proses gerinda menggunakan bahan abrasif yang diputar oleh motor listrik dan proses pemakanan terjadi ketika benda kerja bersentuhan dengan material abrasif. Jenis lubricant, ukuran grit, kecepatan makan, dan kedalaman potong adalah beberapa parameter yang harus diperhatikan dalam proses gerinda karena akan mempengaruhi gaya potong serta hasil kekasaran permukaan benda kerja. Penelitian ini dilakukan untuk mengoptimasikan proses gerinda permukaan. Optimasi dilakukan untuk mendapatkan gaya potong dan kekerasan permukaan benda kerja yang paling minimum terhadap jenis lubricant, ukuran grit, kecepatan makan, dan kedalaman potong dari proses gerinda permukaan. Penelitian ini menggunakan rancangan eksperimen dengan 3 variasi jenis lubricant, 3 variasi ukuran grit, 3 variasi kecepatan makan, dan 3 variasi kedalaman potong. Penelitian dilakukan dengan menggunakan metode kecerdasan buatan yaitu Backpropagation Neural Network (BPNN) untuk memodelkan hubungan antara respon (gaya potong dan kekerasan permukaan) dengan parameter input yakni jenis lubricant, ukuran grit, kecepatan makan, dan kedalaman potong. Network yang dihasilkan oleh BPNN selanjutnya digunakan oleh metode Harmony Search dan Ant Colony Optimization untuk mendapatkan respon gaya potong sekecil mungkin dan kekerasan permukaan sehalus mungkin.Hasil dari penelitian ini, didapatkan jaringan BPNN gaya potong tangensial dengan MSE terkecil 0,0072 dengan menggunakan 3 hidden layer, yaitu neuron sebanyak 7, 6, dan 8 di masing-masing hidden layer dengan fungsi aktivasi yaitu satlins, satlins, tansig untuk masing-masing hidden layer. Untuk jaringan BPNN gaya potong normal diperoleh MSE terkecil 0,0016 dengan menggunakan 3 hidden layer, dengan neuron sebanyak 8, 4, dan 2 di masing-masing hidden layer dan fungsi aktivasi yaitu logsig, logsig, dan tansig untuk masing�masing hidden layer. Pada jaringan BPNN kekasaran permukaan, didapatkan jaringan dengan MSE terkecil 0,0004 dengan menggunakan 3 hidden layer, dengan neuron sebanyak 8, 7, dan 3 di masing-masing hidden layer dan fungsi aktivasi yaitu logsig, satlins, dan tansig untuk masing-masing hidden layer. Hasil dari proses optimasi pada penelitian ini akan dibandingkan dengan proses optimasi yang telah dilakukan oleh Sandeep Huddedar (2012). Pada penelitian ini, diperoleh hasil yang sama untuk metode optimasi Harmony Search maupun Ant Colony Optimization yaitu dengan parameter input menggunakan jenis lubricant SAE+Graphite, ukuran grit sebesar 220, kecepatan makan sebesar 11,50 m/min, dan kedalaman potong 0,055 mm, akan menghasilkan gaya potong tangensial sebesar 63,6724 N, gaya potong normal sebesar 112,5939 N, dan kekasaran permukaan sebesar 0,1723 µm.==================================================================================================================================
Grinding process is machining processes that aims to erode surface of workpiece according to desired shape. Grinding process use abrasive material that rotated by electric motor and feeding process occurs when the workpiece in contact with abrasive material. Type of lubricant, grit size, feeding speed, and depth of cut are some of parameters that must considered in grinding process because they will affect cutting force and surface roughness of workpiece. This research was conducted to optimize the surface grinding process. Optimization is carried out to obtain minimum cutting force and workpiece surface hardness with respect to type of lubricant, grit size, feeding speed, and depth of cut from the surface grinding process. This study uses an experimental design with 3 variations of lubricant types, 3 variations in grit size, 3 variations in feeding speed, and 3 variations in depth of cut. The research was conducted using an artificial intelligence method, namely Backpropagation Neural Network (BPNN) to model the relationship between response (cutting force and surface hardness) with input parameters, such as type of lubricant, grit size, feeding speed, and depth of cut. Network generated by BPNN then used by Harmony Search and Ant Colony Optimization methods to obtain the smallest possible cutting force response and the smoothest possible surface hardness. Results of this study, obtained tangential cutting BPNN network with the smallest MSE of 0.0072 using 3 hidden layers, with 7, 6, and 8 neurons each with activation function satlins, satlins, tansig. For normal cutting force BPNN network, the smallest MSE is 0.0016 using 3 hidden layers, with 8, 4, and 2 neurons each with activation functions are logsig, logsig, and tansig. On surface roughness BPNN network, the smallest MSE of 0.0004 uses 3 hidden layers, with 8, 7, and 3 neurons each with activation functions are logsig, satlins, and tansig. The results of optimization process in this study will be compared with optimization process from Sandeep Huddedar (2012). In this study, same results were obtained for Harmony Search and Ant Colony Optimization methods, with the input parameters using lubricant type SAE+Graphite, grit size of 220, feeding speed of 11.50m/min, and depth of cut of 0.055mm, produces 63.6724 N tangential cutting force, 112.5939 N normal cutting force, and 0.1723 m surface roughness

Item Type:	Thesis (Other)
Additional Information:	RSM 671.35 Jul o-1 2022
Uncontrolled Keywords:	Ant Colony Optimization, Backpropagation Neural Network, Harmony Search, Kekasaran Permukaan, Proses Gerinda
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ1185 Metal-cutting--Problems, exercises, etc.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	18 Feb 2025 02:21
Last Modified:	18 Feb 2025 02:21
URI:	http://repository.its.ac.id/id/eprint/118772

Actions (login required)

View Item