Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Fatik menjadi salah satu indikator utama yang menjadi perhatian pada penggunaan paduan alumunium sebagai aplikasi struktural pesawat terbang, dimana sebanyak lebih dari 50% kecelakaan dirgantara disebabkan oleh kegagalan fatik material. Metode eksperimental trial and error untuk mendesain material memerlukan waktu panjang, biaya tinggi, serta efisiensi penelitian yang dipengaruhi oleh intuisi dan keberuntungan dari peneliti menimbulkan urgensi pendekatan lain dalam penelitian mekanika material. Penelitian mekanika material berbasis Pembelajaran Mesin (PM) dapat memanfaatkan data-data eksperimen dan penelitian terdahulu, sehingga dapat memangkas biaya dan waktu penelitian. Pada penelitian ini telah berhasil dikembangkan dua model deep learning yang mampu memetakan dengan baik hubungan antara data paduan alumunium dengan sifat fatik yang dihasilkan. Model dibuat dengan arsitektur Deep Neural Network menggunakan TensorFlow. Model S2P (Structure to Performance) dapat memprediksi performa fatik suatu paduan alumunium dari data komposisi, perlakuan panas, sifat mekanis, dan pembebanan fatik yang diterima. Model P2S (Performance to Structure) dapat memprediksi komposisi paduan alumunium yang dapat memenuhi performa fatik yang diharapkan. Kedua model menghasilkan performa baik berdasarkan pada metrik penilaian R2, yaitu senilai 0,92 untuk model S2P dan 0,96 untuk model P2S. Formula matematika sifat mekanis dan sifat fatik paduan alumunium dibuat sebagai fungsi dari variabel unsur paduan dan perlakuan panas. Pengembangan model deep learning prediksi sifat paduan alumunium berbasis fitur atomik menunjukkan bahwa total elektronegatifitas berpengaruh besar terhadap sifat mekanis dan sifat fatik. ...... Fatigue is one of the main concern of the utilization of aluminum alloys as aircraft structural applications, since more than 50% of aerospace accidents are caused by material fatigue failure. The experimental trial and error method for designing materials requires long time and high costs. Research efficiency is also influenced by intuition and luck of the researcher. These condition raises the urgency of other approaches in material mechanics research. Machine Learning (ML) based material mechanics research can take advantage of experimental data and previous research, which ables reduce research costs and time. In this research, two deep learning models have been successfully developed. The models are able to map the relationship between aluminum alloy data and the resulting fatigue properties. The model is built on a fully connected Deep Neural Network architecture using TensorFlow. The S2P (Structure to Performance) model can predict the fatigue performance of an aluminum alloy from the data of composition, heat treatment, mechanical properties, and fatigue loading condition. The P2S (Performance to Structure) model can predict the composition of aluminum alloys that can meet the expected fatigue performance. Both models produce good performance based on the R2 scoring metric, which is 0.92 for the S2P model and 0.96 for the P2S model. Mathematical formulas for mechanical properties and fatigue properties of alloys are made as a function of alloying and heat treatment variables. The development of atomic feature based deep learning model shows that the total electronegativity has a large impact on the mechanical properties and fatigue properties.

Abstrak :
Alumunium merupakan material yang umum digunakan dalam industri otomotif dan penerbangan. Namun dalam paduan Al-Si akan membentuk fasa intermetalik β-Al5FeSi yang berdampak buruk terhadap sifat mekanik paduan, tetapi belum bisa dihilangkan. Penambahan modifier dan peningkatan laju pendinginan merupakan cara mengurangi dampak fasa tersebut. Logam tanah jarang merupakan logam yang efektif dalam modifikasi fasa β-Al5FeSi. Sedangkan logam neodimium sampai sekarang belum ada digunakan sebagai modifier β-Al5FeSi. Penelitian ini akan diamati pengaruh penambahan logam tanah jarang neodimium (0,3%, 0,6% dan 1%) dan laju pendinginan (5, 10 dan 30 oC/menit) terhadap morfologi fasa intermetalik beta pada paduan Al7Si1Fe. Kemudian dilakukan karakterisasi dengan pengontrolan laju pendinginan Simultaneous Thermal Analysis, pengamatan mikrostruktur Optical Microscope dan Scanning Electron Microscope, dan penembakan fasa yang terbentuk dengan Energy Diffraction Spectrum. Hasil penelitian menunjukkan penambahan logam Nd optimum pada kosentrasi 1%Nd untuk mengurangi fasa β-Al5FeSi dan 1%Nd untuk merubah morfologi fasa silikon eutektik, sedangkan laju pendinginan 30oC/menit menghasilkan ukuran fasa β-Al5FeSi maupun silikon eutektik paling halus yang disebabkan fenomena undercooling pada paduan. Sehingga dapat disimpulkan peningkatan laju pendinginan dan penambahan Nd dapat menyebabkan pengurangan ukuran fasa intermetalik β dan silikon eutektik.

---

Aluminum are widely used in automotive industry and aerospace structural application. Al-Si alloy can form intermetallic β-Al5FeSi phase that cause undesirable effect on mechanical properties. The addition of modifier and increase the cooling rate is a way to reduce the effect of the phase. Rare earth elements are effective to modified β-Al5FeSi phase. However, neodymium have been used as a modifier β-Al5FeSi. This study will observed the effect of addition rare earth metal neodymium (0.3%, 0.6% and 1%) and cooling rate (5, 10 and 30 ° C / min) on morphology of intermetallic beta phase of Al7Si1Fe alloy. Futher, characterized by controlling the cooling rate by Simultaneous Thermal Analysis, observation of microstructure by Optical Microscope and Scanning Electron Microscope, and microchemical analysis by Energy Diffraction Spectrometer. The results showed that the addition of Nd optimum concentration of 1% can reduce β-Al5FeSi phase and change silicon eutectic phase morphology, whereas the cooling rate of 30 ° C / min produces finer structure morphology of β-Al5FeSi phase or silicon eutectic due to the phenomenon of undercooling on the alloy. In conclusion, increasing the cooling rate and Nd addition can decrease the size of intermetallic β phases and silicon eutectic.