Sateria, Angga (2017) Optimasi Multi Respon Proses Gurdi Glass Fiber Reinforced Polymer (GFRP)-Stainless Steel Stacks Dengan Metode BPNN-GA. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
2115201003-Master-Theses.pdf - Published Version Download (5MB) | Preview |
Abstract
Glass fiber reinforced polymer (GFRP) yang direkatkan dengan Stainless steel (SS) atau GFRP-stainless steel stacks digunakan pada bagian badan pesawat terbang. Penyambungan dari material GFRP-SS dilakukan dengan menggunakan baut yang membutuhkan banyak lubang. Pembuatan lubang pada material GFRP-SS dilakukan dengan menggunakan proses gurdi. Lubang hasil penggurdian yang tidak sesuai dengan spesifikasi akan menyebabkan kegagalan pada sambungan. Untuk menghasilkan lubang yang sesuai dengan spesifikasi, dibutuhkan pemilihan parameter proses penggurdian yang tepat dengan melakukan optimasi terhadap critical to quality characterictics (CTQs) dari lubang. CTQs dari lubang hasil proses penggurdian antara lain adalah gaya tekan, momen torsi, kekasaran permukaan lubang dan delaminasi. Spesifikasi dari keempat CTQs tersebut adalah semakin kecil semakin baik (smaller the better). Agar spesifikasi dari keempat CTQs tersebut tercapai, maka perlu dilakukan optimasi multirespon.
Penelitian ini dilakukan untuk menentukan pengaturan level-level dari parameter-parameter proses gurdi GFRP-SS agar dapat meminimalkan parameter-parameter respon yang berupa gaya tekan, momen torsi, kekasaran permukaan lubang dan delaminasi. Eksperimen dilakukan dengan memvariasikan tiga parameter proses yang masing-masing memiliki 3 level, yaitu kecepatan spindel, kecepatan makan dan sudut ujung pahat. Kecepatan spindel divariasikan sebesar 600 rpm, 1500 rpm, dan 2400 rpm. Kecepatan makan divariasikan sebesar 60 mm/menit, 90 mm/menit, dan 120 mm/menit, serta sudut ujung pahat divariasikan sebesar 118o, 130o, dan 140o. Rancangan eksperimen ditetapkan dengan menggunakan rancangan faktorial 3 x 3 x 3, dan replikasi dilakukan sebanyak tiga kali. Gaya tekan dan momen torsi diukur dengan menggunakan dinamometer, kekasaran permukaan lubang diukur menggunakan surface roughness tester, dan delaminasi diukur dengan cara membuat perbandingan antara diameter maksimum delaminasi yang diamati dengan diameter lubang nominal. Optimasi dilakukan dengan menggunakan gabungan metode backpropagation neural network (BPNN) dan genetic algorithm (GA).
Pengembangan jaringan BPNN menghasilkan arsitektur jaringan 3-13-13-4, yang mempunyai arti jaringan memiliki 3 input layer, 2 hidden layer dengan 13 neuron pada masing-masing hidden layer, dan 4 output layer. Fungsi-fungsi aktivasi yang digunakan secara berurutan adalah tansig untuk masing-masing hidden layer, purelin untuk output layer dan trainlm untuk fungsi training jaringan. Optimasi GA menghasilkan kombinasi parameter-parameter yang dapat meminimalkan gaya tekan, momen torsi, kekasaran permukaan lubang dan delaminasi secara serentak dengan kecepatan spindel sebesar 2343 rpm, kecepatan makan sebesar 61 mm/menit dan sudut ujung pahat sebesar 118o.
=================================================================
Glass fiber reinforced polymer (GFRP)-stainless steel stacks used in the aircraft structural components. The assembly process of this components requires mechanical joining using bolt and nut. Conventional drilling process is commonly used for producing hole to position the bolt correctly. Drilling is the complex machining process due to the variation in geometical chance along the cutting edge. Thrust force, torque, hole surface roughness, and delamination are some responses that used to evaluate the performance of drilling process. The quality characteristic of these response are “smaller-is-better.” The aim of this experiment is to identify the combination of process parameters for achieving required multiple performance characteristic in drilling process of GFRP-stainless steel stacks materials. The three important process parameters such as spindle speed, feed speed and point angle were used as input parameters. All the process parameters were set at three different levels. Hence, a 3 x 3 x 3 full factorial was used as design experiments. The experiments were replicated three times. The optimization was conducted by using the combination of backpropagation neural network method and genetic algorithm method. The architecture of developed BPNN network had 3 input layers, 2 hidden layers with 13 neurons and 4 output layers. The activation functions of hidden layer, output layer and network training were tansig, purelin and trainlm respectively. The minimum thrust force, torque, hole surface roughness, and delamination could be obtained by using spindle speed, feed speed and point angle of 2343 rpm, 61 mm/min and 118o respectively.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | GFRP-SS, optimasi multirespon, proses gurd, BPNN-GA, multi-response optimization, drilling process, GFRP-stainless steel stacks. |
| Subjects: | T Technology > TJ Mechanical engineering and machinery T Technology > TS Manufactures |
| Divisions: | Faculty of Industrial Technology > Mechanical Engineering > 21101-(S2) Master Thesis |
| Depositing User: | Sateria Angga |
| Date Deposited: | 18 Oct 2017 01:43 |
| Last Modified: | 06 Mar 2019 03:01 |
| URI: | http://repository.its.ac.id/id/eprint/47347 |
Actions (login required)
 |
View Item |