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
共享精神应助ssw采纳,获得10
1秒前
CipherSage应助有魅力的大船采纳,获得10
1秒前
科研通AI2S应助苗老九采纳,获得10
2秒前
diegomht发布了新的文献求助10
3秒前
4秒前
rrr完成签到,获得积分10
6秒前
Yn完成签到 ,获得积分10
7秒前
风中黎昕发布了新的文献求助10
8秒前
薰硝壤应助Elena采纳,获得10
8秒前
852应助合适依秋采纳,获得10
9秒前
星辰大海应助嘻嘻Y采纳,获得10
9秒前
我有机会完成签到 ,获得积分10
9秒前
研友_VZG7GZ应助积极怀蕾采纳,获得10
9秒前
9秒前
9秒前
搜集达人应助正直的以晴采纳,获得10
10秒前
10秒前
10秒前
12秒前
杳杳完成签到 ,获得积分10
12秒前
kingyuan完成签到,获得积分10
13秒前
13秒前
wdd发布了新的文献求助30
13秒前
老六完成签到 ,获得积分10
14秒前
ZSM911发布了新的文献求助10
14秒前
Liu Xiaojing完成签到,获得积分10
15秒前
明亮夏旋完成签到,获得积分10
16秒前
幸运兔完成签到,获得积分20
16秒前
17秒前
17秒前
17秒前
lcd发布了新的文献求助10
18秒前
19秒前
合适依秋发布了新的文献求助10
20秒前
英姑应助浮沉采纳,获得10
20秒前
Ava应助张钰婷啦啦啦采纳,获得10
20秒前
21秒前
青青子衿完成签到,获得积分10
21秒前
生动半青发布了新的文献求助10
21秒前
桐桐应助Dhh采纳,获得10
22秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
A Dissection Guide & Atlas to the Rabbit 600
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 500
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 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 3104880
求助须知:如何正确求助?哪些是违规求助? 2756128
关于积分的说明 7637295
捐赠科研通 2409779
什么是DOI,文献DOI怎么找? 1278480
科研通“疑难数据库(出版商)”最低求助积分说明 617439
版权声明 599242