Las ondas de choque fuertes generadas durante el proceso de separación pirotécnica de vehículos aeroespaciales pueden causar daños de alta frecuencia o incluso fallos estructurales en la estructura del vehículo. Los diseños estructurales existentes para la atenuación de choques suelen depender de métodos de espectros de respuesta a choques, que requieren múltiples cálculos de elementos finitos para determinar los parámetros geométricos óptimos, lo que conduce a una eficiencia relativamente baja. En este trabajo, proponemos un método de predicción de respuesta espectral para estructuras de naves espaciales utilizando la Red de Operadores Profundos (DeepONet). Este método preserva las relaciones físicas entre las variables de entrada, modulariza los datos de entrada geométricos y posicionales, y produce la respuesta espectral. Integramos este modelo neuronal para analizar el impacto de los parámetros estructurales de la nave espacial en el rendimiento de resistencia a choques, revelando que el refuerzo circunferencial tiene la influencia más significativa en la resistencia a choques. Luego, realizamos un análisis detallado del modelo DeepONet, observando que los modelos con un mayor número de neuronas por capa se entrenan más rápidamente pero son propensos al sobreajuste. Además, encontramos que centrarse en bandas de frecuencia específicas para la predicción de respuesta espectral produce resultados más precisos.