Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemajuan teknologi mendorong berbagai industri untuk menggunakan sambungan material baja tahan karat asutenitik AISI 316L dan baja karbon feritik ASTM A36, yang dapat mengoptimalkan kinerja dan mengurangi biaya produksi. Namun, perbedaan material pada dissimilar welding ini pastinya akan memiliki kecenderungan terjadinya korosi galvanik berkaitan dengan potensial elektrokimia dan komposisi kimia yang berbeda. Salah satu metode penyambungan yang umum digunakan adalah pengelasan TIG yang memakai filler metal untuk menyambungkan kedua material. Pada penelitian ini menggunakan tiga jenis logam pengisi yang berbeda, yaitu ER308LSi, ER309L, dan ER316L. Variasi logam pengisi yang digunakan untuk penyambungan kedua material tersebut telah diteliti dan ditelaah hubungannya terhadap perilaku korosi. Untuk mendukung analisis dan pembahasan penelitian, dilakukan pengujian komposisi kimia, pengamatan mikrostruktur, dan pengujian Linear Polarization Resistance (LPR). Hasil penelitian menunjukkan bahwa logam pengisi ER309L memberikan kinerja korosi yang paling optimal dibandingkan dengan ER308LSi dan ER316L. Analisis hasil penelitian ini mengungkapkan bahwa komposisi kimia, terutama unsur Cr dan Mo, serta fasa mikrostruktur yang terbentuk pada logam pengelasan berperan penting dalam menentukan perilaku korosi, khususnya pada hasil daerah pengelasan.

---

Technological advancements are driving various industries to use the joint materials of austenitic stainless steel AISI 316L and ferritic carbon steel ASTM A36 to optimize performance and reduce production costs. However, the material differences in dissimilar welding tend to induce galvanic corrosion due to differing electrochemical potentials and chemical compositions. One commonly used joining method is TIG welding, which employs filler metal to connect the two materials. This study utilized three different filler metals, ER308LSi, ER309L, and ER316L, to examine their effects on corrosion behaviour in the welded joint. Chemical composition testing, microstructure observation, and Linear Polarization Resistance (LPR) testing were conducted to support the analysis and discussion. The results indicated that the ER309L filler metal provided the most optimal corrosion performance compared to ER308LSi and ER316L. The study revealed that chemical composition, particularly the elements Cr and Mo, as well as the microstructural phases formed in the weld metal, play a crucial role in determining corrosion behaviour, especially in the weld area."

"Tungsten Inert Gas (TIG) adalah proses pengelasan dimana busur nyala listrik ditimbulkan oleh elektroda tungsten dengan benda kerja dan daerah pengelasannya dilindungi oleh gas pelindung. Bentuk busur api dapat dipengaruhi oleh gaya elektromagnetik. Pada penelitian sebelumnya, penggunaan beberapa medan elektromagnetik yang diatur letaknya sedemikian rupa memberikan hasil pengelasan yang berbeda. Dalam studi ini busur las di berikan medan elektromagnetik yang bersumber dari solenoid. Pengelasan dilakukan pada stainless steel. Medan elektromagnetik yang dihasilkan menyebabkan busur api terdefleksi. Defleksi ini dikontrol dengan solenoid yang diaktifkan secara bergantian mengelilingi busur las dengan menggunakan mikrokontroler. Hasil penelitian menunjukkan dengan menggunakan solenoid sebagai sumber medan magnet untuk mempengaruhi busur las dapat mempangaruhi hasil pengelasan. Penetrasi yang dihasilkan dengan menggunakan solenoid lebih dalam dibandingkan pengelasan tanpa menggunakan solenoid. Kenaikan efisiensi daya pengelasan mencapai 10,9 %. Berdasarkan grafik perbandingan perubahan kecepatan terdapat kesamaan hasil antara pengelasan dengan kecepatan tinggi menggunakan solenoid dengan pengelasan kecepatan rendah tanpa solenoid.

---

Tungsten Inert Gas (TIG) welding is a process which an electric arc generated by the tungsten electrode to the workpiece and the welding area protected by a protective gas. Arc shape can be affected by electromagnetic force. In previous study, the use of some electromagnetic field around the arc has influenced the welding results. In this study electromagnetic fields generated from the solenoids was given to the welding arc. Welding process was conducted on Stainless Steel. The electromagnetic field made the arc becomes deflected. This deflection was controlled by the solenoid by activating it using a microcontroller.

The results showed that the use of solenoid as a source of electromagnetic field has influenced the welding arc. Penetration produced by using a solenoid has deeper penetration than welding process without using solenoid. The increase of the welding power efficiency was 10.9%. Furthermore, there are similarities between the results of the welding at high speeds using a solenoid compared with a low speed welding without solenoid."

"ABSTRAKPengelasan merupakan proses penyambungan dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi, sehingga terjadi penyatuan pada bagian bahan yang disambung. Kekuatan sambungan las ditentukan dari beberapa parameter, diantaranya adalah lebar manik las dan penetrasi. Lebar manik las terutama bagian atas dapat ditentukan dengan melihat secara langsung melalui kamera CCD (Charge-Coupled Device). Akan tetapi sulit untuk mengamati lebar hasil lasan bagian bawah secara langsung karena pada praktiknya tidak memungkinkan untuk memasang kamera CCD di bagian bawah. Oleh karena itu, pada penelitian ini digunakan Las TIG (Tungsten Inert Gas) arus DC dengan proses pergerakan yang kecepatannya diatur oleh mikrokontroler dengan tujuan untuk mengatur lebar hasil lasan bagian bawah yang diinginkan dimana hasil lasan bagian bawah tersebut diestimasi berdasarkan data lebar manik las yang didapat dari machine vision, kecepatan pengelasan, dan arus yang digunakan. Untuk memperoleh serangkaian data-data tersebut maka dilakukan percobaan awal untuk melatih sistem neural network yang akan dibangun. Sistem yang dibangun pada studi ini berhasil mengatur lebar hasil lasan bagian bawah sesuai dengan nilai target yang diinginkan yaitu 3 mm pada arus 55 A, 60 A, dan 65 A dengan rata-rata error masing-masing arus sebesar 0.11 mm, 0.09 mm, dan 0.12 mm.

---

ABSTRACTWelding is a process of joining two or more substances that are based on the principles of diffusion processes, resulting in unification on the materials to be joined. The strength of the weld joint is determined by several parameters, including the weld bead width and the penetration. The width of the weld bead especially the upper part can be determined by looking directly through the CCD (Charge-Coupled Device) camera. But it is difficult to observe the back bead width directly since in practice it is not possible to install the CCD camera at the bottom. Therefore, in this study used Las TIG (Tungsten Inert Gas) DC current with the movement speed is regulated by the microcontroller for the purpose of adjusting the desirable back bead width where the back bead width is estimated based on data of weld bead width obtained from machine vision, welding speed, and current used. To obtain a series of data are then conducted initial experiments to train the neural network system to be built. The system was built in the study managed to set the back bead width with the value of the desired target is 3 mm on the current 55 A, 60 A, and 65 A with an average error of each current of 0.11 mm, 0:09 mm, and 0:12 mm."

"Pada era digital ini kebutuhan manusia dalam teknologi semakin berkembang pesat. Teknologi selalu dituntut untuk berkembang untuk memudahkan manusia dalam memenuhi segala aktivitas dan kebutuhannya. Teknologi proses manufaktur adalah salah satunya. Proses manufaktur yang paling banyak digunakan dalam industri saat ini adalah pengelasan. Salah satu contoh teknologi yang berkembang adalah pengelasan otomatis TIG (Tungsten Inert Gas). Pada penelitian ini, dilakukan pengelasan aluminium paduan AA1100 dengan menggunakan pengelasan Tungsten Inert Gas (TIG) otomatis untuk mendapatkan data training neural network sebagai bahan pengklasifikasian hasil pengelasan. Dimensi spesimen yang digunakan dalam penelitian ini yaitu panjang 14 cm, lebar 7 cm serta ketebalan 3,8 mm. Penelitian ini bertujuan untuk membuat sistem pengklasifikasian hasil las yang baik dan buruk (ada cacat) menggunakan machine vision dan neural network sebagai tahap awal dalam penerapan CNN dalam automatic TIG welding serta untuk mengetahui akurasi, presisi dan loss dari sistem vision tersebut dari pre-trained model ResNet-50 dan YOLOv5n. Penelitian ini dimulai dengan mempelajari segala sesuatu tentang metode pengelasan TIG, mempelajari pengaruh-pengaruh apa saja yang dapat menyebabkan pengelasan gagal serta mempelajari metode machine learning untuk mengklasifikasikan hasil pengelasan yang baik maupun hasil pengelasan yang gagal pada material Aluminium AA1100. Selanjutnya dilakukan pengelasan untuk mengambil data acuan sebagai bahan dasar klasifikasi hasil pengelasan, lalu dataset tersebut dilakukan labelling dan di training menggunakan pre-trained model ResNet-50 dan YOLOv5n. Dua model yang terbuat dari hasil training tersebut kemudian di uji coba menggunakan 70 data test. Hasil dari tes tersebut yaitu: Pada tes dengan model YOLOv5s (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 88,57% dengan nilai item yang benar 45/50 dan 17/20. Model ini juga menghasilkan loss sebesar 11,42% dan precision sebesar 90%. Pada tes dengan model YOLOv5s dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 97,14% dengan nilai item yang benar 49/50 dan 19/20, model ini juga menghasilkan loss sebesar 2,8% dan nilai precision sebesar 98%. Pada tes dengan model yang menggunakan architecture ResNet-50 dengan (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai benar 43/50 dan 16/20 dengan nilai accuracy sebesar 84,28%, nilai loss 15,7% dan precision 86%. Untuk model ResNet-50 dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 94,28% dengan nilai item yang benar 47/50 dan 19/20, model ini juga menghasilkan loss sebesar 5,71% dan nilai precision sebesar 94%.

---

In this digital era, human needs in technology are growing rapidly. Technology is always required to develop to make it easier for humans to fulfill all their activities and needs. Manufacturing process technology is one of them. The most widely used manufacturing process in industry today is welding. One example of a developing technology is TIG (Tungsten Inert Gas) automatic welding. In this study, welding of aluminum alloy AA1100 was carried out using automatic Tungsten Inert Gas (TIG) welding to obtain neural network training data as a material for classifying welding results. The dimensions of the specimens used in this study were 14 cm long, 7 cm wide and 3.8 mm thick. Welding is carried out with a fixed current, namely 120A and using filler ER5356. This study aims to create a classification system for good and bad (defective) welds using machine vision and neural networks as an initial step in applying CNN in automatic TIG welding and to determine the accuracy, precision and loss of the vision system from pre-trained models ResNet-50 and YOLOv5n. This research began by learning everything about the TIG welding method, learning what influences can cause welding to fail and studying the machine learning method to classify good welding results and failed welding results on Aluminum AA1100 material. Next, welding is carried out to retrieve reference data as the basis for the classification of welding results, then the dataset is labeled and trained using the pre-trained ResNet-50 and YOLOv5n models. The two models made from the results of the training were then tested using 70 test data. The results of the test are: The test with the YOLOv5s model (epoch 50, batch 16 and learning rate 0.001) produces an accuracy value of 88.57% with correct item values 45/50 and 17/20. This model also produces a loss of 11.42% and a precision of 90%. In tests with the YOLOv5s model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 97.14% with correct item values 49/50 and 19/20, this model also produces a loss of 2.8% and precision value of 98%. In the test with a model that uses architecture ResNet-50 with (epoch 50, batch 16 and learning rate 0.001) it produces a correct score of 43/50 and 16/20 with an accuracy value of 84.28%, a loss value of 15.7% and a precision of 86 %. For the ResNet-50 model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 94.28% with correct item values 47/50 and 19/20, this model also produces a loss of 5.71% and precision value of 94%."

"Pengelasan Tungsten Inert Gas (TIG) merupakan salah satu metode pengelasan yang cukup popular dan sering digunakan dalam industri manufaktur. Dalam Upaya meningkatkan efisiensi dari pengelasan TIG ini, metode Wire Arc Additive Manufacturing (WAAM) pun telah diperkenalkan. Metode WAAM merupakan metode pengelasan yang menggunakan busur listrik (arc welding) dengan menggunakan pengumpan kawat tambahan atau biasa dikenal dengan wire feeder. Mesin TIG-WAAM terdiri dari komponen-komponen berupa sumber daya TIG, welding torch, kawat pengumpan atau wire feeder, dan sistem pengendali untuk mengontrol parameter pengelasan. Oleh karena itu, welding torch merupakan komponen yang penting dalam pengelasan penelitian ini dilakukan. Perancangan desain pada penelitian ini kemudian akan dilanjutkan pada perhitungan analitik dan simulasi menggunakan software Autodesk Inventor 2021 untuk memastikan apakah konstruksi mesin las TIG dapat menahan beban welding torch yang didesain. Penelitian ini akan lebih berfokus pada kekuatan mesin konstruksi mesin las TIG menahan beban sebelum dan setelah welding torch dirancang yang kemudian akan dibandingkan dengan hasil perhitungan simulasi menggunakan software Inventor. Hasil tegangan von miss yang didapatkan melalui perhitungan analitik pada konstruksi mesin sebelum welding torch sebesar 1,49 MPa dan pada simulasi sebesar 0,24 MPa, sedangkan perhitungan analitik setelah welding torch diberikan sebesar 0,167 MPa dan pada simulasi sebesar 0,27 MPa.

---

Tungsten Inert Gas (TIG) welding is a popular and widely used welding method in the manufacturing industry. To improve the efficiency of TIG welding, the Wire Arc Additive Manufacturing (WAAM) method has been introduced. WAAM is a welding method that utilizes an electric arc welding process with the use of an additional wire feeder. A TIG-WAAM machine consists of components such as a TIG power source, welding torch, wire feeder, and control system to regulate welding parameters. Therefore, the welding torch is an important component in this research on welding.

The designed which has been designed in this research, will then be analyzed through analytical calculations and simulations using Autodesk Inventor 2021 software to verify the construction of the TIG welding machine can withstand the load of the designed welding torch. This research will primarily focus on the strength of the TIG welding machine's construction to withstand the load after the welding torch is designed, and then compare the results with the simulation calculations using Inventor software. Analytical load calculations are essential to ensure the safety and strength of the equipment in performing its function. The results of the von mises stress through analytical and simulation before welding torch are 1,49 MPa and 0,24 MPa. Meanwhile the analytical and simulation after welding torch are 0,167 MPa and 0,27 MPa."

"Pengelasan TIG adalah salah satu metode pengelasan yang dapat diterapkan pada logam non-ferrous. Otomatisasi proses pengelasan TIG harus memberikan hasil las yang lebih hemat biaya dan kualitas yang lebih tinggi di lingkungan produksi divisi manufaktur. Penelitian ini bertujuan untuk menerapkan metode deep learning pada optimalisasi TIG Welding dengan mengolah hasil pengelasan dengan Convolutional Neural Networks (CNN). Dengan menggunakan dua jaringan saraf YOLOv5 dan ResNet50 yang berbeda, penulis akan memiliki empat metode klasifikasi citra yang berbeda dengan ResNet50, deteksi dan klasifikasi objek YOLOv5, kombinasi deteksi objek YOLOv5 dan ResNet50, dan klasifikasi ResNet50 menggunakan preprocessing center-crop. Penelitian ini akan mengidentifikasi hasil pengelasan dengan memberi label pada gambar sebagai “Weld Bagus” atau “Weld Buruk”, kelas las yang baik tidak memiliki cacat, sedangkan kelas las yang buruk memiliki cacat retak, terbakar, porositas, dll. Berdasarkan penelitian ini metode terbaik adalah kombinasi antara YOLOv5 dan ResNet50 neural network dengan akurasi 96%, loss 4%, presisi 93,1%. Metode dengan menggunakan ResNet50 klasifikasi memiliki akurasi 46%, loss 54%, dan presisi 0%. Metode YOLOv5 objek deteksi dan klasifikasi memiliki akurasi 94,34%, loss 5,66%, dan presisi 100%. Metode ResNet50 klasifikasi dengan center-crop pre-processing memiliki akurasi 82%, loss 18%, dan presisi 87,5%. Variasi dan jumlah data mempengaruhi pelatihan dan pengujian data.

---

TIG welding is one of the welding methods that can be applied to non-ferrous metals. TIG welding process automation should deliver more cost-effective, higher-quality welds in a manufacturing division's production environment. This study aims to apply deep learning methods to optimize TIG Welding by processing welding results with Convolutional Neural Networks (CNN). By using two different YOLOv5 and ResNet50 neural networks, the author will have four different image classification methods with ResNet50, YOLOv5 object detection and classification, a combination of YOLOv5 and ResNet50 object detection, and ResNet50 classification using center-crop preprocessing. This study will identify the results of welding by labeling the image as “Good Weld” or “Bad Weld”, a good welding class has no defects, while a bad welding class has cracking, burning, porosity defects, etc. Based on this research, the best method is a combination of YOLOv5 and ResNet50 neural network with 96% accuracy, 4% loss, 93.1% precision. The method using ResNet50 classification has 46% accuracy, 54% loss, and 0% precision. The YOLOv5 object detection and classification method has an accuracy of 94.34%, loss of 5.66% and precision of 100%. The ResNet50 method of classification with center-crop pre-processing has an accuracy of 82%, loss of 18% and precision of 87.5%. Variation and amount of data affect the training and testing of data."

"Salah satu jenis baja tahan karat yang banyak digunakan dalam dunia industri adalah baja tahan karat austenitik SS304. Salah satu teknik penyambungan logam dengan cara pengelasan adalah TIG (Tungsten Inert gas) atau GTAW (Gas Tungsten Arc Welding) dan untuk material berbentuk pelat tipis dapat digunakan proses pengelasan tanpa menggunakan logam pengisi atau biasa disebut autogeneous welding. Penelitian ini dilakukan untuk mengetahui pengaruh masukan panas dengan variasi arus dan kecepatan pengelasan sambungan autogeneous TIG terhadap nilai uji tarik sambungan las, kekerasan sambungan las, pengukuran geometri lasan dan uji metalografi hasil sambungan pengelasan pelat SS304 tebal 2mm. Hasil penelitian memperlihatkan bahwa, semakin tinggi masukan panas yang diberikan maka jumlah delta ferit dalam logam las semakin menurun. Hal tersebut diakibatkan oleh turunnya laju pendinginan. Laju pendinginan yang lebih cepat mengakibatkan jumlah ferit yang terbentuk semakin banyak. Selain itu, dengan semakin tinggi masukan panas akan mempengaruhi bentuk geometri hasil lasan, yaitu meningkatkan penetrasi semakin dalam dan lebar sehingga rasio lebar banding kedalaman meningkat. Selanjutnya, daerah heat affected zone (HAZ) mengalami pertumbuhan butir seiring dengan meningkatnya masukan panas. Sampel dengan masukan panas tinggi terjadi penurunan nilai kekerasan dan nilai kekuatan tarik akibat dari perubahan struktur mikro. Dari hasil penelitian pengelasan baja tahan karat austenitik SS304 dengan tebal 2mm dengan menggunakan las autogenous dengan dipulsakan dan masukan panas terkontrol, tidak terlalu rendah dan juga tidak terlalu tinggi. Rekomendasinya adalah masukan panas sebesar 0,27 kJ/mm yang menghasilkan kekuatan tarik terbesar yaitu 452 MPa dan rasio L/D ~1-2.

---

One type of stainless steel that is widely used in the industrial world is SS304 austenitic stainless steel. One technique for joining metals by welding is TIG (Tungsten Inert gas) or GTAW (Gas Tungsten Arc Welding) and for thin plate-shaped materials a welding process without using filler metal or commonly called autogeneous welding can be used. This research was conducted to determine the effect of heat input with variations in current and welding speed of autogeneous TIG joints on tensile test values of welded joints, hardness of welded joints, measurement of weld geometry and metallographic tests of 2mm thick SS304 plate welding joints. The results showed that, the higher the heat input given, the amount of delta ferrite in the weld metal decreased. This is caused by a decrease in the cooling rate. The faster the cooling rate, the more ferrite is formed. In addition, the higher the heat input will affect the geometric shape of the weld, which increases the penetration deeper and wider so that the ratio of width to depth increases. Furthermore, the heat affected zone (HAZ) area experiences grain growth as heat input increases. Samples with high heat input decreased the value of hardness and tensile strength due to changes in the microstructure. The conclusion from the results of this study is that the welding of SS304 austenitic stainless steel with a thickness of 2mm was carried out using autogenous welding with pulse and controlled heat input, not too low and not too high. The recommendation is a heat input of 0.27 kJ/mm which produces the greatest tensile strength of 452 MPa and an L/D ratio of ~1-2."