Konferensi Nasional Teknik Sipil 8 (KoNTekS8)

Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

ANALISIS GETARAN ACAK PADA STRUKTUR NON LINIER

1
Anwar Dolu, 2Amrinsyah Nasution

1
Jurusan Teknik Sipil, Universitas Tadulako, Palu, Sulawesi Tengah
e-mail : anwardolu@yahoo.com ;
2
Jurusan Teknik Sipil, FTSL, ITB Bandung, Jawa Barat
e-mail: ancedin@bdg.centrin.net.id

ABSTRAK

Getaran acak merupakan gejala fisik yang menghasilkan model stokastik atau non deterministik
dengan nilai sesaatnya tidak dapat ditentukan atau diramalkan dalam artian deterministik, seperti
gelombang laut, gerakan tanah selama gempa bumi, tekanan angin, gaya-gaya aerodinamis. Gejala
ini mempunyai sifat yang sama yaitu nilai sesaatnya tidak dapat ditentukan atau diramalkan dalam
waktu yang akan datang. Meskipun proses tersebut mempunyai sifat yang tidak teratur, gejala acak
menunjukan sifat atau keteraturan statistik sampai derajat tertentu yang dapat dilakukan untuk
menentukan sifat-sifat dominan yang berguna dalam perencanaan rekayasa. Dalam kajian ini, model
stokastik pada sistem non linier tipe persamaan Duffing dengan beban luar yang bekerja pada sistem
adalah beban acak derau putih (white noise). Tanggap stokastik (stochastic response) dalam hal ini
adalah tanggap standar deviasi dan fungsi kepadatan probabilitas (probability density function,
PDF). Secara analitik diselesaikan dengan metode Fokker-Planck-Kolmogorov (FPK), dan
pendekatan menggunakan Metode Linearisasi Statistik dan simulasi Monte Carlo. Berdasarkan
kasus yang ditinjau untuk model Duffing, maka tanggap standar deviasi perpindahan akan berkurang
dengan meningkatnya koefisien nonlinieritas (α). Kaitannya dengan metode yang digunakan, dalam
hal ini metode linearisasi statistik dan simulasi Monte Carlo mempunyai ketelitian yang baik
terhadap metode analitik (FPK) dan secara praktis mudah digunakan pada struktur nonlinier dengan
beban acak karena kemudahan perumusannya dan penyelesainnya untuk memperoleh tanggap
perpindahan maupun kecepatan.

Kata Kunci : Stokastik, linearisasi statistik, FPK , Monte-Carlo, standar deviasi, PDF.

1. PENGANTAR

Sesuai Thompson (1982) dan Paz (1996), proses acak pada gambar 1, meskipun proses tersebut mempunyai sifat
yang tidak teratur, banyak gejala acak menunjukan sifat atau keteraturan statistik sampai derajat tertentu dan
prosedur merata-ratakan tertentu dapat dilakukan untuk menentukan sifat-sifat dominan yang berguna dalam
perencanaan rekayasa.

Gambar 1. Fungsi acak dan kepadatan probabilitas (Lalanne, 1999)

Kaitannya dengan beban-beban yang bekerja pada struktur, secara umum merupakan beban lingkungan berupa
beban angin, gelombang laut maupun gempa, yang merupakan bentuk beban stokastik. Konsekwensinya, analisis
getaran acak diperlukan untuk memahami perilaku struktur akibat pembebanan stokastik tersebut. Beberapa sumber
utama dari teori getaran acak (random vibration theory), dapat dirujuk pada karya Crandall dan Mark (1973), Nigam
STR - 22
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

(1983), Bolotin (1984), Yang (1986), Newland (1993), Preumont (1994), Lin dan Cai (1995), Solnes (1997),
Elishakoff (1999), Lutes dan Sarkani (2004), Benaroya dan Han (2005), Sun (2006), Bucher (2009), Le dan Chen
(2009), Wijker (2009).
Dalam kajian ini, beban stokastik dimodelkan berupa derau putih (white noise). Proses derau putih Gauss stasioner
didefinisikan sebagai suatu proses yang mempunyai fungsi kerapatan spektrum yang seragam dengan intensitas S0
melalui seluruh daerah frekuensi     . Berdasarkan definisi tersebut, bahwa proses-proses seperti itu
mengandung komponen-komponen frekuensi dengan intensitas yang sama mencakup seluruh daerah frekuensi
sehingga memberikan kebebasan statistik antara variabel-variabel acak pada waktu t dan t   untuk semua   0 .

x(t) Sx() Rx () = 2pSo d()

So

t  

(a) (b) (c)

Gambar 2. Proses white-noise. (a). Sejarah waktu (time history),
(b). Fungsi kepadatan spektrum, (c). Fungsi otokorelasi, (Paz, 1996, ; Yang, 1986)

2. GETARAN ACAK PADA STRUKTUR NON LINIER

Secara umum analisis pada sistem struktur nonlinier dengan getaran acak (nonlinear random vibration) untuk
memperoleh tanggap sistem (system response) bersadarkan Nigam (1983), Lin dan Cai (1995), Socha (2008), dan
Bucher (2009), To (2012), terbagi 2 bagian yaitu metode analitik dan numerik. antara lain 1). Metode Fokker-
Planck-Kolmogorov, 2). Metode perturbasi, 3). Metode liniearisasi ekivalen, 4). Metode liniearisasi statistik dan 5).
Metode Gaussian closure, serta 6). Simulasi Monte Carlo.

Berdasarkan Sun (2006), Bucher (2009), dengan meninjau sistem mekanis non linier dan beban luar acak W(t),
bentuk persamaan diferensial nonlinier yang merupakan tipe persamaan Duffing dengan model kekakuan nonlinier
mx  cx  k ( x  x 3 )  W ( t )
(1)
fs ( x )  kx  kx 3
Dalam kajian ini, penulis menggunakan metode Fokker-Planck-Kolmogorov (FPK), metode Linearisasi Statistik dan
Simulasi Monte Carlo untuk memperoleh tanggap statistik dari sistem dalam bentuk nilai rata-rata (mean value),
standar deviasi serta fungsi kepadatan probabilitas (PDF).

Persamaan Fokker-Planck-Kolmogorov (FPK equation)

Persamaan Fokker-Planck-Kolmogorov (FPK) pada awalnya disebut sebagai persamaan Fokker-Planck dalam ranah
fisika, dan persamaan Kolmogorov dalam ranah stokastik. Berdasarkan persamaan Fokker-Planck-Kolmogorov
(FPK) yang menggambarkan evolusi waktu dari fungsi kepadatan probabilitas (probability density function, PDF)
dari suatu sistem (Gardiner, 1985) atau digunakan untuk meramalkan sifat-sifat dari tanggap sistem. Penamaan
Fokker-Planck-Kolmogorov, berdasarkan kerja dari Fokker (1914), Planck (1917) dalam kajian terhadap gerak
Brown, sedang Kolmogorov (1931) yang menurunkan basis matematika bagi persamaan tersebut. Fungsi kepadatan
probabilitas (probability density function) yang diatur oleh persamaan Fokker-Planck-Kolmogorov (FPK equation)
dalam bentuk persamaan diferensial parsial
p n  1 n n 2  n 
 ( i p )     i  k p   0 (2)
t i 1 yi 2 i 1 k 1 yi yk  1 

Sesuai persamaan (1) untuk gerakan SDOF

STR - 23
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

mx  h ( E ) x  gx  W ( t ) (3)
Untuk
x
1
E ( x, x )  mx 2   g (  ) d (4)
2 0
Yang merupakan jumlah dari energi kinetik dan energi potensial dari osilator dan W(t) adalah white noise dengan
kepadatan spektral (spectral density) S0. Untuk besaran drift dan diffusion
 x   0 
   
 g ( x )  h ( E ) x 
 1 ;  1 (5)
 2pS0 
 m m  m 
Maka bentuk persamaan FPK
p p   g ( x ) h ( E ) x   pS0  2p
x      p  0 (6)
t x x  m m   m2 x 2
Dalam kondisi stasioner jika t →∞, maka dapat diperoleh penyelesaian bentuk tertutup dari persamaan FPK sesuai
Bucher (2009) dan Lutes dan Sarkani (2004)
 1 E 
f x,x  Cexp   h ( ) d  (7)
 pS0 0 
Sesuai model persamaan Duffing dari persamaan (1), maka energi total diberikan
1 1 1 
E mx 2  k  x 2  x 4  (8)
2 2 4 
Hubungan kepadatan probabilitas dari x dan x untuk respon stasioner
 c   c  1 2 1 4 1 
f x,x ( x, x )  C   E   Cexp   k  x  x   mx 2   (9)
 pS0   pS0   2 4  2 
Dengan pemisahan, untuk fungsi kepadatan probabilitas kecepatan
 cm x 2 
f x  C2 exp    (10)
 pS0 2 
Untuk
pS0
2x  2x0  (11a)
ck
pS
2x  2x0  0 (11b)
cm
Maka konstanta C2
1
C2  (12)
2px
Fungsi kepadatan probabilitas perpindahan
 kc  x 2 x 4 
f x ( x )  C1 exp       (13)
 pS0  2 4 
Untuk konstanta C1 dapat dihitung dari proses integrasi berikut
1

 kc  x 2 x 4  
  exp       dx (14)
C1   pS0  2 4 
Varian dari perpindahan x(t) dalam bentuk

STR - 24
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014


2x   x f ( x ) dx
2
x (15)


Metode Linearisasi Statistik (Statistical linearization method)

Sesuai Lutes dan Sarkani (2004), Bucher (2009), To (2012), proses linearisasi statistik dapat diuraikan dengan
meninjau persamaan (1) dalam bentuk sistem struktur nonlinier
mx  g ( x, x )  f ( t ) (16)
Bentuk nonlinieritas pada persamaan tersebut dalam fungsi g yang terdiri dari gaya pemulih (restoring forces) dan
redaman (damping). Dalam bentuk ekivalen dengan sistem linier, maka fungsi g dalam bentuk fungsi linier
ĝ ( x, x )  Ce x  K e x (17)
Dimana Ce adalah redaman ekivalen (equivalent damping) dan Ke adalah kekakuan ekivalen (equivalent stiffness).
Dengan bentuk ekivalen tersebut, maka akan muncul kesalahan (ε) :
  g  gˆ  gˆ ( x, x )  Ce x  Ke x (18)
Untuk analisis stokastik dengan minimasi nilai harapan (expected value) sesuai kaidah / norma Euclides kuadrat
e   T   (19)
Maka diperoleh
e   ( g  gˆ ) ( g  gˆ )
T


  ( g  C e x  K e x ) ( g  Ce x  K e x )
T
(20)

  g T g  x T CTe Ce x  x T K Te K e x  2g T Ce x  2g T K e x  2x T CTe K e x 
Sesuai model persamaan Duffing pada persamaan (1) untuk untuk fungsi nonlinier :
(
g ( X )  k X  X3 ) (21)
Dalam bentuk fungsi linier ekivalen :
ĝ ( X )  k e X (22)
Dengan minimasi kesalahan berdasarkan persamaan

(
e    kX  kX3  k e X  )
2

  (23)
 k    X   2k ( k  k e ) E  X   ( k  k e ) E X 
2 2 6 4 2 2

Dengan menurunkan persamaan (23) terhadap ke maka diperoleh kekakuan ekivalen ke :

   X 4  
k e  k 1    (24)
   X 2  
 
Dari hasil tersebut terlihat   X  , dan   X  yang merupakan momen kedua dan keeampat dari respons
2 4

statistik. Dengan asumsi nilai rata-rata (mean value) dari beban W(t) adalah nol, dan nilai rata-rata (mean value) dari
tanggap (response) adalah nol. Untuk fungsi kepadatan probabilitas (probability density function) berdasarkan
distribusi Gauss (Gaussian distribution) yang berbentuk

1  ( x  X )2 
fX ( x )  exp   (25)
2pX  22X 
 
Maka momen orde kedua dan keempat masing-masing dapat dinyatakan dalam bentuk
E X2   2X ; E X4   34X (26)
Yang penjabarannya seperti berikut, untuk momen orde kedua

STR - 25
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

  ( x  X )2  
 u2 
E  X    x
1
exp    (
 x ) 1
2
2 2
dx  u  X exp    du
2p  22X  2p  2  (27)

  

 2X  X 2
Momen orde keempat

 u2 
 ( ux  X )
4 1
E  X 4   exp    du
 2p  2  (28)

 3  6 X  X
4
X
2
X
2 4

Dengan menyelesaikan kekakuan linier ekivalen (equivalent linear stiffness) dalam bentuk tanggap varians
(response variance)
(
k e  k 1  32X ) (29)
Untuk asumsi gaya luar W(t) berbentuk derau putih (white noise) dengan kepadatan spektral (power spectral
density, PSD) adalah S0, maka dapat dihitung varians dari tanggap sistem linier ekivalen :
pS0 pS0
2X  
( )
(30)
ck e ck 1  32X
Penyelesaian pers (30) yang diperoleh untuk tanggap varians (response variance) :
1  pS0 
2X   1  1  12  (31a)
6  ck 
Untuk 02 sesuai dengan persamaan 11a, maka persamaan 31 menjadi

2X 
1
6
1  1  1202 ( ) (31b)

Simulasi Monte – Carlo

Metode Monte Carlo merupakan kerangka umum untuk perhitungan probabilitas yang berdasarkan pengulangan
sampel dari distribusi bilangan acak. Istilah Monte Carlo diperkenalkan pertama kali oleh Metropolis dan Ulam
yang merujuk ke kota judi yang terbesar di Monaco. Penggunaan metode ini pada saat pengembangan bom atom
untuk analisis penyebaran acak neutron saat pembelaan (fissile) material. Penggunaan metode Monte Carlo
memerlukan sejumlah besar bilangan acak, dan hal tersebut semakin mudah dengan perkembangan pembangkit
bilangan pseudoacak dengan program komputer, yang jauh lebih cepat dan praktis dibandingkan dengan metode
sebelumnya yang menggunakan tabel bilangan acak untuk sampling statistik.

Dalam analisis ini, variabel acak Wk berhubungan dengan eksitasi derau putih (white noise) yang nilai rata-rata
adalah nol (mean zero) dan varians 2Wk berhubungan dengan intensitas Do dari white noise atau kepadatan
spektral S0 dengan interval waktu ∆t.

Gambar 3. Representasi diskrit white noise (Buchner,2009)

Besaran varians  2
Wk

D0 2pS0
2Wk   (32)
t t
Variabel Wk

STR - 26
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

D0 2pS0
Wk  Uk  Uk (33)
t t
Untuk Uk adalah bangkitan bilangan acak randn().

Untuk penyelesaian persamaan diferensial non linier digunakan metode integrasi langsung untuk perhitungan
pendekatan respons x(t) dari persamaan (1) adalah metode selisih hingga (finite difference methods). Untuk
kecepatan dan perpindahan pada setiap waktu t dalam ungkapan perpindahan
x ( t  t )  x ( t  t )
x(t) 
2t
(34)
x ( t  t )  2x ( t )  x ( t  t )
x(t) 
t 2
Berdasar persamaan (1)
 1 1   2 
c  x ( t  t )  f ( t )   k  2 m  x ( t )  k ( x ( t ) )
3
 2 m
 t 2t   t 
(35)
 1 1 
 2 m  c  x ( t  t )
 t 2t 

3. ANALISIS DAN PEMBAHASAN

Sebagai contoh kasus, untuk sistem persamaan nonlinier pada persamaan (1) dengan nilai m=1, k=1, c=0.1, dan
proses derau putih (white noise) dengan kepadatan spektral S0=1. Dengan penyelesaian persamaan Fokker-Planck-
Kolmogorov sesuai persamaan (13) dan (15), maka akan diperoleh masing-masing fungsi kepadatan probabilitas
(lihat gambar 4) dan varians serta standar deviasi (sesuai gambar 5).

Gambar 4. Fungsi kepadatan probabilitas (variasi α )

STR - 27
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

6,0

5,0
Standar Deviasi Perpindahan

4,0

3,0

2,0

1,0

0,0
0 0,2 0,4 0,6 0,8 1

Gambar 5. Tanggap Standar Deviasi vs Koefisien Nonlinieritas ( α )
Sesuai gambar (4) untuk fungsi kepadatan probabilitas dengan distribusi yang lebar maka standar deviasinya besar.
Pada gambar (5), untuk koefisien nonlinieritas α = 0 yang merupakan kondisi linier dengan tanggap standar deviasi
perpindahan σx0 =5.605 (pers. 11a), dengan meningkatnya koefisien nonlinier (α), maka tanggap standar deviasi
perpindahan (σx) akan menurun, hal ini terjadi karena sifat dari sistem nonlinier dengan tipe kekakuan keras
(hardening stiffness) yang akan mengurangi tanggap perpindahan.
4,00

pS0
3,00
0   5.605
ck
Tanggap Standar Deviasi

0  2.00 0  1.00
2,00

1,00

0,00
0 0,5 1 1,5 2 2,5 3
Derajat Nonlinieritas ()
Gambar 6. Tanggap standar deviasi dengan variasi derajat nonlinieritas

Dengan metode linearisasi statistik, sesuai dengan contoh kasus sebelumnya untuk m=1, k=1, c=0.1 dan S 0=1,
dengan menyelesaikan persamaan 11a dan persamaan 31, maka akan diperoleh kurva hubungan antara koefisien
nonlinieritas dengan tanggap standar deviasi (sesuai gambar 6) dan hasil perhitungan pada tabel 1. Sesuai pers. 31
dan gambar 6, dengan meningkatnya nilai redaman (c), maka tanggap perpindahan akan berkurang.

STR - 28
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

Derau Putih (white noise)

2

-2

-4

-6

-8
0 5 10 15 20 25 30 35 40 45 50
Time [sec]

Gambar 7. Proses Derau Putih (white noise) dengan 10 simulasi (NSIM)

Untuk penyelesaian dengan simulasi Monte Carlo, dalam analisis ini parameter sesuai kasus sebelumnya m=1, k=1,
c=0.1 dan S0=1, dengan bangkitan bilangan acak NSIM = 1000 (pada gambar 7, dengan NSIM=10), maka dapat
diperoleh hasil perhitungan pada tabel 1 dan dapat digambarkan sesuai gambar 8. Dengan simulasi Monte Carlo,
ketelitian perhitungan dapat ditingkatkan dengan peningkatan bangkitan bilangan acak (NSIM).
5,50

4,50
  0.05
Response Standar Deviasi

  0.00
3,50

2,50

1,50
  0.10   0.20

0,50

-0,50 0,0 5,0 10,0 15,0 20,0 25,0 30,0

Waktu
Gambar 8. Respons statistik Standar Deviasi untuk
1000 simulasi white noise (NSIM=1000)

STR - 29
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

Tabel 1. Standar deviasi pada kondisi tetap (steady state)

Metode Penyelesaian

Koefisien Fokker- Simulasi Monte Carlo Linearisasi Statistik

nonlinieritas  Planck-
Kolmogorov Standar
(Analitis) Standar Deviasi % error % error
Deviasi

0 (linier) 5,605 5,695 1,6 ---

0,01 4,534 4,736 4,4 4,442 -2,0
0,025 3,987 4,080 2,3 3,855 -3,3
0,05 3,545 3,809 7,4 3,394 -4,3
0,1 3,107 3,268 5, 2 2,95 -5,0
0,15 2,862 2,971 3,8 2,705 -5,5
4,344 (10)* 61,2
0,2 2,694 2,833 (1000)* 5,1 2,54 -5,7
2,759 (5000)* 2,4
* Ket. Untuk tanda dalam kurung adalah banyak simulasi (NSIM)

4. KESIMPULAN
Getaran nonlinier dengan beban acak, merupakan model stokastik, dalam artian, tanggap sistem dalam hal ini
perpindahan maupun kecepatan adalah tanggap statistik yang berupa nilai rata-rata (mean value), standar deviasi dan
fungsi kepadatan probabilitas (probability density function, PDF).
Penyelesaian masalah getaran nonlinier dengan beban acak untuk memperoleh tanggap statistik tersebut, secara
analitis dengan metode Fokker-Plank-Kolmogorov, dan secara pendekatan dapat digunakan metode linearisasi
statistik maupun simulasi Monte Carlo. Dengan metode linearisasi statistik dan simulasi Monte Carlo, proses
perumusan dan penyelesaiannya lebih mudah, hingga banyak dipakai dalam aplikasi praktis struktur nonlinier
dengan beban acak. Untuk tingkat ketelitian pada simulasi Monte Carlo dapat ditingkatkan dengan peningkatan
jumlah simulasi variabel acak dan model algoritma dari program.
Berdasarkan kasus yang ditinjau, dengan sistem nonlinier tipe Duffing, maka tanggap sistem dalam bentuk standar
deviasi perpindahan akan berkurang dengan meningkatnya koefisien nonlinieritas (α), hal ini sesuai dengan sifat
dari persamaan nonlinier tersebut dengan kekakuan keras (hardening stiffness) yang akan mengurangi tanggap
perpindahan.

DAFTAR PUSTAKA
Barnoski, R.K. (1965). Respons of Elastic Structures to Deterministic and Random Excitation. Aerospace dynamics
branch, Measurement analysis corporation, California.
Benaroya, H., Han, S.M. (2005). Probability Models in Engineering and Science. Taylor & Francis Group. USA.
Bolotin, V.V. (1984) Random Vibrations of Elastic Systems. The Hague, The Netherlands: Martinus Nijhoff
Bucher, C. (2009). Computational Analysis of Randomness in Structural Mechanics. Taylor & Francis Group,
London, UK.
Clough, R.W., Penzien, J. (2003). Dynamics of Structure. Third Edition. Computers & Structures, Inc. University
Berkeley. USA.
Chopra, A.K., (2001). Dynamics Structure ; Theory and Application to Earthquake Engineering, Second Edition,
byPrentice Hall.
Crandall, S.H., and Mark, W.D. (1973). Random vibration in mechanical systems. New York: Academic Press
Elishakoff, I. (1999). Probabilistic Theory of Structures. Second Edition. Dover Publications, Inc. New York. USA.

STR - 30
 Konferensi Nasional Teknik Sipil 8 (KoNTekS8)
Institut Teknologi Nasional - Bandung, 16 - 18 Oktober 2014

Gardiner, CW. (1985). Handbook of Stochastic Methods : for Physics, Chemistry and the Natural Sciences.
Springer-Verlag Berlin
Kumar, D., Datta, T.K. (2006). Stochastic response of nonlinear system in probability domain. Sadhana Vol. 31,
Part 4, August 2006, pp. 325–342. Printed in India.
Kovacic, I,. Brennan, MJ. (2011). The Duffing Equation – Nonlinear Oscillator and their Behaviour. London, John
Wiley & Sons.
Lalanne, C. (1999). Mechanical Vibration & Shock, Random Vibration, Volume III, Hermes Science Publications,
Paris.
Lin, Y.K., Cai, G.Q. (1995). Probabilistic Structural Dynamics, Advanced Theory and Applications. McGraw-Hill.
Lutes, LD., Sarkani, S. (2004). Random Vibrations, Analysis of Structural and Mechanical Systems. Elsevier
Butterworth-Heinemann.
Nigam, N.C. (1983). Introduction to Random Vibrations. Cambridge, Massachusetts: MIT Press
Paz, M. (1996). Dinamika Struktur ; Teori dan Perhitungan. Penerbit Erlangga. Jakarta.
Rajasekaran, S. (2009). Structural Dynamics of Earthquake Engineering Theory and Application using
MATHEMATICA and MATLAB. Woodhead Publishing Limited.
Ramakrishnan, Subramanian. (2007). Nonlinear Stochastic Dynamics of a Nanomechanical Resonator Coupled to a
Single Electron Transistor. New Jersey , USA.
Socha, Leslaw. (2008). Linearization Methods for Stochastic Dynamic Systems. Springer Verlag, Berlin.
Solnes, J. (1997). Stochastic Processes and Random Vibration, Theory and Practice. John Wiley & Sons, England.
Thompson, J.M.T. and Stewart, H.B. (1986), Nonlinear Dynamics and Chaos Geometrical Methods for Engineers
and Scientists. John Wiley & Sons.New York
Thompson, W.T. (1982). Theory of Vibration with Applications. Second Edition. Prentice – Hall of India.
To, Cho W.S. (2012). Nonlinear Random Vibration Analytical Techniques and Applications. CRC Press Taylor &
Francis Group
Wijker, J. (2009). Random Vibrations in Spacecraft Structures Design Theory and Applications. Springer Science-
Business Media B.V
Worden, K., Tomlinson, G.R. (2001). Nonlinearity in Structural Dynamics ; Detection, Identification and
Modelling. IOP Publishing.

STR - 31