CROSS CAR BEAM STRUCTURE OPTIMIZATION FOR EV BATTERY PROTECTION USING MACHINE LEARNING METHOD

• Main Author: Prayoga
• Format: Final Project
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/75040
• Institution: Institut Teknologi Bandung

Kebutuhan akan produk ramah lingkungan mendorong pertumbuhan mobil listrik selama 5 tahun terakhir. Sekitar 10 juta kendaraan listrik telah beroperasi pada akhir 2020 di Dunia. Nilai ini diprediksi akan terus meningkat di tahun-tahun berikutnya. Di Indonesia, sebanyak 1900 kendaraan listrik telah terjual di semester awal 2021. Namun penggunaan Lithium-Ion pada mobil listrik berpotensi menimbulkan kebakaran dari tegangan rendah dan impak akibat kecelakaan seperti Side Pole Impact. Oleh karena itu diperlukan proteksi terhadap baterai mobil listrik yang aman dan juga ringan. Kondisi ini dapat dicapai dengan mengoptimasi geometri dan material cross car beam dan sistem chassis. Cross car beam akan mempertahankan bentuk struktur bawah ketika terjadi impak dari arah samping. Tiang dengan diameter 254 mm dibuat berdasarkan FMVSS 214 dan akan menerima energi kinetik sebesar 32 km/h dari struktur chassis. Variasi konfigurasi dimodelkan berdasarkan data sampel dari proses Latin Hypercube Sampling (LHS). Lalu hasilnya akan disimulasikan menggunakan metode elemen hingga dan mendapatkan Specific Energy Absorption (SEA) dari model tertentu. Kemudian Machine Learning akan memprediksi konfigurasi desain dengan SEA maksimum dan tegangan baterai minimum seperti penggunaan Artificial Neural Network (ANN) untuk aproksimasi model dan Nondominated Sorting Genetic Algorithm-II (NSGA-II) untuk optimasi variabel. Terakhir, algoritma TOPSIS akan digunakan untuk mendapatkan konfigurasi yang optimal. Penelitian ini akan memvariasikan geometri dari cross-car beam (Top Hat, Closed Top Hat, Rectangular) dan material (Carbon Steel, Aluminum 6061-T6, and Aluminum 5012). Chassis juga akan dioptimasi dengan memvariasikan material dan ketebalan. Proses optimasi menghasilkan SEA dan tegangan batre sebesar 4.06 kJ/kg dan 39 MPa dengan konfigurasi Top Hat dan material aluminium 6061-T6. Kemudian simulasi numerik dilakukan untuk memvalidasi hasil tersebut. Galat yang terjadi sebesar 8.77% untuk SEA dan 3.88% untuk tegangan baterai. Hasil optimasi ini meningkatkan kemampuan SEA sebesar SEA 180.85% dan menurunkan tegangan baterai sebesar 20.39% dari model baseline.