PENDEKATAN NEURAL NETWORK TERHADAP SIFAT MEKANIK MATERIAL PADA TINGKAT BEBAN BERBEDA

Transkripsi

1 PENDEKATAN NEURAL NETWORK TERHADAP SIFAT MEKANIK MATERIAL PADA TINGKAT BEBAN BERBEDA Mike Sumikani 1), Ghofir 2) 1,2) Pua Pengembangan Informaika Nuklir Badan Tenaga Nuklir Naional Kawaan PUSPIPTEK Gd. 71, Tangerang Selaan Telp (021) mike@baan.go.id Abrak Dalam bidang induri khuunya dalam pembangunan PLTN merupakan hal pening unuk mengeahui kondii maerial yang digunakan. Berkaian dengan penggunaan maerial, dilakukan pemodelan ifa mekanik maerial khuunya erhadap jeni ainle eel AISI-416. Maerial ipe AISI-416 merupakan alah au maerial dengan kompoii yang ahan erhadap koroi. Pemodelan dilakukan pada beberapa ingka pembebanan yang berbeda menggunakan neural nework. Daa pembelajaran menggunakan daa hail ekperimen. Dalam imulai pelaihan dipilih meoda backpropagaion dengan opimiai menggunakan Levenberg-Marquard. Diperoleh pemodelan alur re erhadap jeni ainle eel AISI-416 pada imulai beberapa ingka beban yang berbeda. Kaa Kunci : Neural Nework, Backpropagaion, Levenberg-Marquard, Sainle Seel, Sre, Srain 1. PENDAHULUAN Dalam beberapa ahun, jeni ainle eel mareniic banyak digunakan dalam bidang induri dikarenakan ingginya kekuaan maerial, mempunyai kemudahan dalam pengerjaan dan biaya murah. Sainle eel ermauk mareniic eel ipe AISI-416 mempunyai keahanan yang cukup erhadap koroi. Mempunyai ifa yang ahan dalam pengerjaan dan perlakuan pana, bahkan pada reakor fui. Dalam perkembangannya, jeni ini cukup kompeiif ecara ekonomi. Diii lain, mareniic eel menjadi lebih berperan dalam penerapannya diinjau dari rukurnya. Terdapa beberapa macam perubahan dari bahan yang digunakan dianaranya akiba umur, emperaur era efek radiai yang dikenakan. Pemodelan dan imulai merupakan alah au cara membanu mendukung uau pendapa dan kepuuan unuk mengeahui bagaimanakah ifa mekanik bahan. Sifa mekanik bahan dapa dinyaakan dianaranya dengan meliha rend alur re dengan ingkaan beban yang berbeda. Meoda Backpropagaion merupakan alah au pembelajaran dengan pengawaan pada iem jaringan yaraf yang anga euai dalam banyak kau. Diperlukan uau rancangan dalam neural nework dengan ejumlah peifikai unuk idenifikai yang erdiri dari ejumlah inpu dan neuron. Sejumlah neuron digunakan unuk membedakan klaifikai pada pengenalan rend alur re dengan ingkaan beban yang berbeda. Algorima Levenberg-Marquard dirancang unuk mendekai kecepaan pelaihan eperi pelaihan pada jaringan feedforward. Dalam hal ini diambil beberapa ingkaan beban erhadap bahan ainle eel ipe AISI-416 ebagai daa pembelajaran erhadap model alur re. Beberapa daa pembelajaran ini diambil dari daa hail ekperimen. Dalam pelaihan diambil beberapa daa conoh, kemudian dilakukan beberapa imulai. Unuk idenifikai dalam iim jaringan yaraf digunakan meoda Backpropagaion. Dalam efiieni pelaihan dipilih algorima Levenberg-Marquard. Keeluruhan pembelajaran, pelaihan dan imulai idenifikai pemodelan alur re menggunakan MATLAB. 2. TINJAUAN PUSTAKA Sumanra Mandal (2009), elah melakukan peneliian dan penulian pemodelan arificial neural nework unuk mengevaluai dan memprediki ifa deformai dari ainle eel ype AISI 304L elama ori dengan emperaur inggi. Penulian peneliian enang prediki alur kurva dari logam A-Mg diaa kondii emperaur kamar pada beberapa ingka rain dengan arificial neural nework elah dilakukan oleh Serkan Toro (2011). Sedangkan Ajay K. (2012) elah melakukan peneliian dan menuli mengenai ifa kompreif aau mekanik dari ainle eel AISI-416 pada ingkaan loading yang berbeda dalam ekperimen. Dalam imulai dan pemodelan ini, penuli akan melakukan pendekaan pemodelan menggunakan arificial neural nework erhadap ifa mekanik uau maerial pada ingka beban berbeda khuunya ainle eel ejeni AISI-416. Diharapkan pendekaan pemodelan ini dapa digunakan unuk mengeahui apakah uau D-22

2 kompoii maerial ainle eel yang ejeni dengan ype AISI-416 mempunyai ifa mekanik bahan yang erupa aau idak ama dikarenakan adanya perlakuan beberapa ingkaan beban Arificial neural nework Pemodelan berbai jaringan yaraf iruan merupakan pembelajaran dan adapai uau obyek. Terdapa beberapa meode dalam pembelajaran dengan pengawaan pada jaringan yaraf iruan dianaranya meode back propagaion. Meode pembelajaran backpropagaion diperoleh dengan melakukan akiran kuadra erkecil (Lea Mean Square) pada jaringan lapian ganda. Jaringan neuron menggunakan meode backpropagaion dengan muli-layer dinyaakan pada Gambar 1. Dalam proe backpropagaion, uni vekor inpu (X) menerima inyal aau anda dan menyebarkan inyal ke uni lapian erembunyi (hidden layer) yang menenukan inyal akifai f(e) ebagai repon dari uni lapian maukan (inpu) ebagai fakor bobo. Selanjunya, uni lapian erembunyi akan menyebarkan inyal repon erebu ke uni lapian keluaran (oupu). Uni lapian oupu juga menenukan inyal akifai ebagai repon erhadap inyal yang beraal dari uni lapian erembunyi unuk pendekaan yang diberikan (Zilouchian, 2001). Selama pelaihan, eiap uni membandingkan nilai akifai dengan nilai arge unuk mendapakan nilai error yang berhubungan dengan pendekaan yang diberikan. Hal ini dilakukan dengan menggunakan prinip minimiai fungi error. Berdaarkan nilai error ini, fakor eliih k dihiung. Nilai k akan digunakan unuk memodifikai fungi bobo anara uni hidden layer dan uni oupu. Digunakan pendekaan Levenberg- Marquard unuk kecepaan pelaihan keika fungi kinerja dengan benuk nilai jumlah kuadra dilakukan opimiai, eperi pelaihan dalam jaringan feedforward. Gambar 1. Jaringan neuron dengan meode backpropagaion Fungi akifai yang dapa digunakan pada eiap uni anara lain Tan-Sigmoid dan Linear. Kedua fungi akifai dinyaakan pada Gambar 2, maing-maing unuk Tan-Sigmoid dan Linear (Zilouchian, 2001). (a) (b) Gambar 2. Fungi akifai (a) Tan-Sigmoid dan (b) Linear 2.2. Alur Sre Maerial Pengujian re (egangan) dilakukan erhadap penampang linang (A) peimen maerial apabila dikenakan uau gaya aau beban. Sedangkan pengujian rain (regangan) dilakukan erhadap maerial dengan panjang awal erenu ehingga diperoleh perubahan panjang maerial erebu. Dalam ekperimen, berdaarkan pada eori D-23

3 perambaan gelombang, engineering re ( ), engineering rain ( ) dan ingka rain ( ) dari peimen dinyaakan maing-maing dalam peramaan (1), (2) dan (3) (Ajay K. dkk, 2012), A E (1) A 2 C 0 d L (2) 0 2C A 0 (3) L E = Modulu elaiia maerial, A = lua penampang linang maerial, A = lua penampang linang peimen, C adalah panjang kecepaan gelombang re dalam ekanan pada maerial, L = ebal peimen. Seelah 0 diperoleh engineering re dan engineering rain diperoleh hubungan re dan rain eungguhnya (True Sre dan True Srain) yang dinyaakan pada peramaan (4) dan (5) (Donald. dkk, 2006), 1 ) (4) ( ln( 1 ) (5) 3. METODE PENELITIAN Sifa mekanik peimen ainle eel AISI-416 dibawah quai-aic (keadaan keeimbangan) dan ekanan beban dinamik akan dianalii dalam hal ini. Sainle eel ipe AISI -416 yang digunakan dalam peneliian ini mengandung kompoii kimia dalam preenae maing-maing ebear, C : 0,142, Si : 0,4025, Mn : 0,862, Cr :13,03, Ni : 0,155, Mo : 0,1756, Cu : 0,0523, Al : 0,0145,V : 0,0449, S : 0,359, P : , Co : 0,0184, Fe : Dalam daa ekperimen, dipilih peimen ilinder dengan keebalan 12 mm dan diameer 8 mm yang dipilih pada variai keebalan dan diameer peimen ilinder kurang dari ± 1%. (Ajay K. dkk, 2012) Dilakukan pendugaan pemodelan erhadap analii perbandingan kurva re-rain ekanan pada beberapa ingkaan beban menggunakan neural newok. Yield re dalam kurva ekperimen diukur pada 0,2% offe rain ampai 10%. Sehingga baaan engineering rain 0,2% ampai 10%. Dikeahui bahwa konana rue yield re (rue re) dan engineering yield re dibawah kondii quai-aic ( 0,001 ) adalah 550 MPa. Dari daa ekperimen, diambil ampel rend alur re dibawah kondii quai-aic diunjukkan pada Gambar 3(a) dan nilai engineering yield re pada ingka rain 350 pada Gambar 3(b). Demikian pula unuk nilainilai 750, 1050, 1300 dan1500 dimulai pada 882 MPa, 1033 MPa, 884 MPa, 857 Mpa, 857 Mpa unuk nilai rue re lainnya. Sedangkan nilai ingka rain ebagai variabel beba dapa diambil pada nilainilai mialnya 0,2; 0,3; 0,6; 1,0; 2,0; 2,5; 3,0; 4,0; 6.0 dan 9.0 % (True plaic rain) Gambar 3(a). Daa ekperimen 0,001 kondii aic (Ajay K. Behera, 2012) D-24

4 1 Gambar 3(b). Daa ekperimen pada 350 (Ajay K. Behera, 2012) Adapun ploing kembali daa ekperimen diberikan pada Gambar 4, Gambar 4. Ploing daa ekperimen Perama dilakukan pembenukan pemodelan unuk inpu pembelajaran erdiri dari yield re dibawah kondii keeimbangan dengan engineering rain 0,2% ampai 10% erhadap engineering ree yang diperoleh dari hail ekperimen dengan nilai-nilai beriku; p = [ ; ]; % Srain (%) = [ ]; % Engineering re (Mpa) Dilakukan normaliai daa erlebih dahulu aau preproeing. Selanjunya membangun jaringan yaraf feedforward dan dilakukan pembelajaran beriku ini, (Serkan Toro dkk, 2011) [pn,minp,maxp,n,min,max] = premnmx(p,); ne = newff(minmax(pn),[6 1],{'anig' 'purelin'},'rainlm'); ne=rain(ne,pn,n); Pelaihan era imulai yang dilakukan (Sumanra Mandal dkk, 2009), alah aunya diberikan dengan pernyaaan-pernyaaan beriku, ne1 = newff(r,tr,20); [ne,r] = rain(ne1,r,tr); ou = im(ne,r); D-25

5 4. HASIL DAN PEMBAHASAN Hail pembelajaran daa ekperimen diperoleh ebagai beriku pada Gambar 5, Gambar 5. Hail pembelajaran daa ekperimen Diperoleh plo maukan dan oupu aau arge dari hail pembelajaran beriku pada Gambar 6, Gambar 6. Kurva akiran pembelajaran daa hail ekperimen Koefiien keuaian hail pembelajaran yang dinyaakan dengan parameer R, menunjukkan R = yang mendekai nilai 1 yang dinyaakan pada Gambar 7. Hal erebu menunjukkan hail pembelajaran yang baik. Gambar 7. Kurva akiran pembelajaran daa hail ekperimen Diperoleh plo maukan dan oupu dari hail pelaihan beriku pada Gambar 8, D-26

6 Gambar 8. Daa maukan dan pelaihan Koefiien keuaian hail pelaihan menunjukkan R = yang mendekai nilai 1 yang dinyaakan pada Gambar 9. Hal erebu menunjukkan hail pelaihan yang baik unuk daa pelaihan yang diberikan. Gambar 9. Kurva hail akiran pada pelaihan Plo maukan dan arge dari hail imulai dinyaakan beriku pada Gambar 10, Gambar 10. Kurva hail imulai pelaihan Koefiien keuaian hail pembelajaran yang dinyaakan dengan parameer R, menunjukkan R = dinyaakan pada Gambar 11. Hal erebu menunjukkan hail maukan imulai, yang diduga idak mengikui alur re, ernyaa benar eridenifikai idak mengikui alur re unuk jeni ainle eel ipe AISI-416. D-27

7 Gambar 11. Kurva hail imulai Hail pelaihan dan imulai dengan mengambil daa ampel maing maing ebanyak 10 unuk maing-maing ingka rain 350, 750, 1050, 1300 dan 1500 diberikan pada Tabel 1 beriku, Diperoleh pemodelan alur re erhadap ainle eel jeni AISI-416 dengan imulai beberapa ingka beban yang berbeda yaiu 0,001, 350, 750, 1050, 1300 dan Engineering yield re dibawah kondii quai-aic ( 0,001 ) dan Engineering yield re pada beberapa ingka rain dimulai pada 882 MPa, 1033 MPa, 884 MPa, 857 MPa dan 857 MPa. Sedangkan rue yield re adalah pada 890 MPa, 1048 MPa, 852 MPa, 865 MPa dan 866 MPa. Tabel 1. Hail Idenifikai imulai unuk maukan alur re Tingka Srain ( -1 ) Keeuaian Pembelajaran Pelaihan Simulai 0, % 100% 100% % 100% 90% % 90% 90% % 90% 90% % 90% 80% % 80% 80% 5. KESIMPULAN Dilakukan pemodelan ifa mekanik bahan ainle eel unuk beban kompreif menggunakan pendekaan neural nework. Pemodelan dilakukan erhadap alah au jeni ainle eel ipe AISI-416 pada beberapa ingka beban yang berbeda. Dengan menggunakan daa hail ekperimen ebagai daa pembelajaran menggunakan meoda backpropagaion diperoleh pemodelan aliran re dari ainle eel AISI-416 dalam imulai unuk beberapa ingka beban yang berbeda. DAFTAR PUSTAKA Ajay K. Behera, Nilamber K. Singh, Maloy K Singha, 2012 Compreive Behavior of AISI-416 Sainle Seel a Differen Rae of Loading, Proceeding of he World Congre on Engineering Vol III London UK Donald R. Akeland, Phule, P. Pradeep 2006, The Science and Engineering Of maerial, Nelon, a diviion of Thomon Canada Serkan Toro, Fahrein Ourk, 2011, Flow curve predicion of A-Mg alloy under warm forming condiion a variou rain rae by ANN, Journal Applied Sof Compuing 11 homepage : Sumanra Mandal, P.V. Sivapraa, S. Venugopal, K.P.N. Murhy, 2009, Arificial neural nework modeling o evaluae and predic he deformaion behavior of ainle eel ype AISI 304L during ho orion, Journal Applied Sof Compuing 9 homepage : Zilouchian, Ali, Fundamenal of Neural Nework, CRC Pre LLC D-28