Assessment of DeepONet for time dependent reliability analysis of dynamical systems subjected to stochastic loading

水准点(测量) 可靠性(半导体) 计算机科学 替代模型 不确定度量化 功能(生物学) 非线性系统 操作员(生物学) 人工神经网络 动力系统理论 高斯过程 随机过程 高斯分布 数学优化 机器学习 人工智能 算法 数学 统计 地理 化学 功率(物理) 抑制因子 物理 基因 生物 转录因子 进化生物学 量子力学 生物化学 大地测量学
作者
Shailesh Garg,Harshit Gupta,Souvik Chakraborty
出处
期刊:Engineering Structures [Elsevier]
卷期号:270: 114811-114811
标识
DOI:10.1016/j.engstruct.2022.114811
摘要

Time dependent reliability analysis and uncertainty quantification of structural system subjected to stochastic forcing function is a challenging endeavour as it necessitates considerable computational time. We investigate the efficacy of recently proposed DeepONet in solving time dependent reliability analysis and uncertainty quantification of systems subjected to stochastic loading. Unlike conventional machine learning and deep learning algorithms, DeepONet is an operator network and learns a function to function mapping and hence, is ideally suited to propagate the uncertainty from the stochastic forcing function to the output responses. We use DeepONet to build a surrogate model for the dynamical system under consideration. Multiple case studies, involving both toy and benchmark problems, have been conducted to examine the efficacy of DeepONet in time dependent reliability analysis and uncertainty quantification of linear and nonlinear dynamical systems. Comparisons have also been drawn with Recurrent Neural Network results and with results obtained from Proper Orthogonal Decomposition based Gaussian process. The results obtained indicate that the DeepONet architecture is accurate as well as efficient. Moreover, DeepONet posses zero shot learning capabilities and hence, a trained model easily generalizes to unseen and new environment with no further training. • We investigate DeepONet for time-dependent reliability analysis. • DeepOnet learns operator and allows zero shot learning. • DeepONet accurately captures probability of failure and PDF of FPFT. • DeepONet is highly efficient and yields accurate results.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
桐桐应助小小郭采纳,获得10
2秒前
大黄豆完成签到,获得积分10
3秒前
桌球有点蔡先生完成签到 ,获得积分10
5秒前
5秒前
jimmy完成签到 ,获得积分10
5秒前
迷路睫毛完成签到,获得积分10
5秒前
6秒前
传奇3应助保持客气采纳,获得10
6秒前
Lucas应助就是笨怎么了采纳,获得10
8秒前
8秒前
科研小菜狗完成签到 ,获得积分10
9秒前
9秒前
10秒前
肝胆外科医生完成签到,获得积分10
10秒前
Foch完成签到,获得积分10
10秒前
聪明藏今完成签到,获得积分10
11秒前
天天快乐应助静静采纳,获得10
11秒前
12秒前
13秒前
13秒前
13秒前
14秒前
野风车完成签到,获得积分10
14秒前
陈军应助wangqing采纳,获得20
15秒前
15秒前
和谐的之云完成签到,获得积分10
17秒前
18秒前
旋风耶耶发布了新的文献求助10
18秒前
斯文如娆发布了新的文献求助20
18秒前
19秒前
ICE完成签到,获得积分10
19秒前
十月完成签到,获得积分10
20秒前
20秒前
舒心的蜜蜂完成签到,获得积分10
20秒前
白华苍松发布了新的文献求助10
20秒前
奇异物质发布了新的文献求助10
20秒前
21秒前
22秒前
拜无忧完成签到,获得积分10
22秒前
hcq完成签到 ,获得积分10
22秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3158072
求助须知:如何正确求助?哪些是违规求助? 2809436
关于积分的说明 7881999
捐赠科研通 2467898
什么是DOI,文献DOI怎么找? 1313783
科研通“疑难数据库(出版商)”最低求助积分说明 630538
版权声明 601943