Optimasi Tebal Lapisan Recast, Kekasaran Permukaan Dan Microcrack Pada Proses Pemesinan Wire Electrical Discharge Machining (WEDM) Baja Perkakas SKD61 Dengan Menggunakan Metode Optimasi Back-Propagation Neural Network Dan Genetic Algorithm

Wihardi, Prima Ahmad (2016) Optimasi Tebal Lapisan Recast, Kekasaran Permukaan Dan Microcrack Pada Proses Pemesinan Wire Electrical Discharge Machining (WEDM) Baja Perkakas SKD61 Dengan Menggunakan Metode Optimasi Back-Propagation Neural Network Dan Genetic Algorithm. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
2111201007-Master-Theses.pdf

Download (4MB) | Preview

Abstract

Proses pemesinan wire electrical discharge machining (WEDM) adalah suatu proses pemotongan yang didasarkan pada erosi karena bunga api listrik untuk menghasilkan bentuk-bentuk yang kompleks dan presisi dengan menggunakan elektroda kawat. Material benda kerja yang dipotong biasanya bersifat konduktif. Pengaturan parameter-parameter proses pemesinan WEDMyang tidak tepat akan menghasilkan lapisan recast yang tebal, permukaan benda kerja yang kasar, dan microcrack yang berjumlah banyak.Penelitian ini dilakukan untuk menentukan pengaturan level-level dari parameter-parameter proses WEDM yang tepat agar dapat meminimalkan kekasaran permukaan benda kerja, tebal lapisan recast dan microcrack secara serentak. Penelitian tentang optimasi proses WEDM dilakukan pada baja perkakas SKD61 dengan menggunakan elektroda kawat zinc coating brass. Percobaan dilakukan dengan memvariasikan lima parameter proses WEDM, yaitu arc on time, on time, open voltage, off time, dan servo voltage.Rancangan percobaan ditetepkan dengan menggunakan metode Taguchi dan berupa matriks ortogonalL18, karena parameter arcon time memiliki dua level, danparameterparameter lainnya masing-masing memiliki tiga level. Replikasi dilakukan sebanyak dua kali. Hal ini disebabkan karena adanya faktor noise yang tidak dimasukkan ke dalam rancangan percobaan.Metode peramalan back-propagation neural network (BPNN) digunakan untuk pemodelan hubungan antara parameterparameter proses dengan parameter-parameter respon. Metode optimasi genetic algorithm (GA) digunakan untuk menentukan seting kombinasi parameter yang dapat meminimalkan tebal lapisan recast, kekasaran permukaan dan microcracksecara serentak. Model peramalan dengan BPNN yang dikembangkan memiliki arsitektur jaringan 5-8-8-3, yang terdiri dari 5 input layer, 2 hidden layer dengan 8 neuron pada masing-masing hidden layer, dan 3 output layer.Fungsi aktivasinya adalahtansig dan fungsi pelatihan adalah trainrp. Optimasi GA menghasilkan kombinasi parameter-parameter yang dapat meminimalkan tebal lapisan recast, kekasaran permukaan dan microcracksecara serentak pada seting parameterparameter proses arc on time sebesar 2μs,on time sebesar 0,3 μs, open voltage sebesar 90 volt, off timesebesar 10 μs,dan servo voltage sebesar 40 volt. =============================================================================== Wire electrical discharge machining process machining (WEDM) is a cutting process based on the erosion due to electric sparks to produce a complex shapes and precision by using a wire electrode.Workpiece material being cut usually is conductive.Setting the parameters of EDM machining processes that are not appropriate will produce a recast layers is thick, the workpiece surface is rough, and microcracks are amounted to much. This research is conducted to determine levels of regulation parameters appropriate WEDM process in order to minimize the surface roughness of the workpiece, thickness layer of recast and microcracks simultaneously.Research on the EDM process optimization performed on SKD 61 tool steel with a zinc coating using a brass wire electrode.Five Experiments are performed by varying the parameters of the EDM process. Consists of the arc on time, on time, open voltage, off-time, and servo voltage.The case of parameters of the arc on time has two levels and other has three levels of each. The Trial design is set by using the Taguchi method and form of orthogonal array L18.Replication is performed twicedue to of noise factor which is not incorporated into the experimental design. Method of forecasting backpropagation neural network (BPNN) is used for modeling the relationship between process parameters with the parameters of the respond.Methods of genetic optimization algorithm (GA) is used to determine the setting combinations of parameters that can minimize the recast layer thickness, surface roughness and microcracks simultaneously.Forecasting models developed by BPNN has a 5-8-8-3 network architecture which are consist of 5 input layer, two hidden layer with 8 neurons in each hidden layer and output layer 3.Activation function is tansig and training functions are trainrp.GA optimization produces the combination of parameters that can minimize the recast layer thickness, surface roughness and microcracks simultaneously on setting process parameters arc on time of 2 μs, on time of 0.3 μs, the open voltage of 90 volts, time off for 10 μs, and the servo voltage of 40 volts.

Item Type: Thesis (Masters)
Additional Information: RTM 671.53 Wih o
Uncontrolled Keywords: kekasaran permukaan; lapisan recast; microcrack; BPNN; GA; surface roughness; recast layer; microcracks
Subjects: T Technology > TJ Mechanical engineering and machinery > TJ230 Machine design
Divisions: Faculty of Industrial Technology > Mechanical Engineering > (S2) Master Theses
Depositing User: Mrs Anis Wulandari
Date Deposited: 29 May 2017 02:55
Last Modified: 27 Dec 2018 08:42
URI: http://repository.its.ac.id/id/eprint/41392

Actions (login required)

View Item View Item