Optimasi Multi Respon Pada Proses End Milling Glass Fiber Reinforced Polymer Serat Woven Dengan Menggunakan Metode Gabungan Backpropagation Neural Network Dan Ant Colony Optimization

Robbany, Fathi (2019) Optimasi Multi Respon Pada Proses End Milling Glass Fiber Reinforced Polymer Serat Woven Dengan Menggunakan Metode Gabungan Backpropagation Neural Network Dan Ant Colony Optimization. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text Fathi Robbany 02111750010006.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Komponen struktural dari pesawat seperti leading edge dan vertical stabilizer dibuat dengan menggunakan material glass fiber reinforced polymer (GFRP), karena memiliki kekuatan spesifik yang tinggi. End milling merupakan salah satu proses pemesinan yang mampu memproduksi bentuk-bentuk yang kompleks, seperti komponen-komponen pesawat. Agar komponen memenuhi spesifikasi dan bebas cacat, maka proses pemesinan harus dilakukan dengan benar. Sifat mampu mesin (machinability) biasa digunakan untuk mengevaluasi kinerja proses pemesinan end milling. Sifat mampu mesin pada proses end milling seperti gaya potong, kekasaran permukaan dan delaminasi dapat dianggap sebagai parameter respon pada proses end milling, yang nilainya diharapkan seminimum mungkin. Penentuan level-level parameter-parameter proses yang menghasilkan gaya potong, kekasaran permukaan dan delaminasi yang minimum secara serentak dapat dilakukan dengan melakukan optimasi multi respon. Penelitian ini dilakukan untuk meminimalkan gaya potong, kekasaran permukaan dan delaminasi secara serentak. Selain itu juga dipelajari pengaruh dari parameter-parameter proses terhadap ketiga respon tersebut. End milling dilakukan dengan menggunakan pahat karbida berdiameter 6 mm pada material GFRP serat woven. Parameter proses end milling yang divariasikan adalah kedalaman potong, kecepatan spindel, dan kecepatan pemakanan. Kedalaman potong yang digunakan adalah sebesar 1, 1,5 dan 2 mm, kecepatan spindel sebesar 3000, 4000 dan 5000 rpm, serta kecepatan pemakanan sebesar 500, 750 dan 1000 mm/min. Percobaan dilakukan dengan menggunakan desain faktorial penuh (3 x 3 x 3), dan direplikasi sebanyak 3 kali. Optimasi dilakukan dengan menggunakan gabungan dari metode backpropagation neural network dan ant colony optimization (BPPN-ACO). Struktur jaringan BPNN dikembangkan dengan bantuan metode ACO. Fungsi-fungsi objektif yang dihasilkan oleh BPNN dijadikan satu menjadi fungsi fitness yang dioptimasikan dengan menggunakan metode ACO.
Struktur jaringan BPNN yang terbaik berdasarkan optimasi dengan menggunakan metode ACO adalah 3-10-9-3, atau dapat dijabarkan sebagai 3 node pada input layer, 10 node pada hidden layer pertama, 9 node pada hidden layer kedua dan 3 node pada output layer. Hasil optimasi multirespon dengan menggunakan metode ACO menunjukkan bahwa nilai minimum dari ketiga respon yang diamati secara serentak dapat diperoleh dengan menggunakan kedalaman potong, kecepatan spindel dan kecepatan pemakanan berturut-turut sebesar 1,1 mm, 3430 rpm, 555 mm/min. Peningkatan kedalaman potong dan kecepatan pemakanan akan meningkatkan ketiga respon pada proses end milling GFRP serat woven. Peningkatan kecepatan spindel akan menurunkan gaya potong dan kekasaran permukaan, akan tetapi cenderung meningkatkan delaminasi yang terjadi pada proses end milling dengan material GFRP serat woven. Metode gabungan BPNN-ACO cukup efektif untuk melakukan optimasi karena kesalahan relatif antara hasil prediksi dengan hasil eksperimen konfirmasi kurang dari 5%.
===================================================================================================================================
Structural components of aircraft, such as the leading edge and vertical stabilizer, are commonly manufactured using glass fiber reinforced polymer (GFRP). End milling is one of the machining processes capable of producing complex components, including aircraft structures. To ensure that the machined components meet dimensional specifications and are free from defects, the machining process must be properly controlled. Machinability is widely used to evaluate the performance of the end milling process. Key machinability indicators, including cutting force, surface roughness, and delamination, are considered as response parameters whose values are expected to be as low as possible. Determining the optimal process parameters that simultaneously minimize these three responses requires a multi-response optimization approach. This study was conducted to minimize cutting force, surface roughness, and delamination simultaneously while also investigating the effects of process parameters on these responses. The end milling experiments were performed on woven GFRP composites using a 6 mm diameter carbide end mill. The process parameters investigated were depth of cut, spindle speed, and feed speed. The depth of cut was varied at 1, 1.5, and 2 mm; spindle speed at 3000, 4000, and 5000 rpm; and feed speed at 500, 750, and 1000 mm/min. The experiments followed a full factorial design (3 × 3 × 3) with three replications. Optimization was carried out by combining the *Backpropagation Neural Network* (BPNN) and *Ant Colony Optimization* (ACO) methods. The BPNN network structure was developed using the ACO algorithm, while the objective functions generated by the BPNN model were integrated into a fitness function optimized through ACO. The optimal BPNN architecture obtained from the ACO-based optimization consisted of 3 neurons in the input layer, 10 neurons in the first hidden layer, 9 neurons in the second hidden layer, and 3 neurons in the output layer (3–10–9–3). The multi-response optimization results indicated that the minimum cutting force, surface roughness, and delamination could be simultaneously achieved at a depth of cut of 1.1 mm, a spindle speed of 3430 rpm, and a feed speed of 555 mm/min. Increasing the depth of cut and feed speed increased all three response variables, whereas increasing spindle speed reduced cutting force and surface roughness but tended to increase delamination during the end milling of woven GFRP composites. The combined BPNN–ACO approach proved effective for optimization, as the relative error between the predicted results and the confirmation experiments was less than 5%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	ACO, BPNN, end milling, GFRP, multi respon
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ1230 Cutting and sawing machinery
Divisions:	Faculty of Industrial Technology > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User:	Robbany Fathi
Date Deposited:	21 Jul 2026 08:12
Last Modified:	21 Jul 2026 08:12
URI:	http://repository.its.ac.id/id/eprint/69791

Actions (login required)

View Item