CN101929994A - 一种预测多相混合均匀性的时间序列模型和方法 - Google Patents
一种预测多相混合均匀性的时间序列模型和方法 Download PDFInfo
- Publication number
- CN101929994A CN101929994A CN2010102611285A CN201010261128A CN101929994A CN 101929994 A CN101929994 A CN 101929994A CN 2010102611285 A CN2010102611285 A CN 2010102611285A CN 201010261128 A CN201010261128 A CN 201010261128A CN 101929994 A CN101929994 A CN 101929994A
- Authority
- CN
- China
- Prior art keywords
- time series
- time
- prediction
- mixing uniformity
- phase mixing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000002156 mixing Methods 0.000 title claims abstract description 23
- 239000012530 fluid Substances 0.000 claims abstract description 18
- 238000002474 experimental method Methods 0.000 claims abstract description 14
- 238000003325 tomography Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000000714 time series forecasting Methods 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 238000003889 chemical engineering Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000003756 stirring Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 241001123248 Arma Species 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 240000003183 Manihot esculenta Species 0.000 description 2
- 235000016735 Manihot esculenta subsp esculenta Nutrition 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000008367 deionised water Substances 0.000 description 2
- 229910021641 deionized water Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- NLXLAEXVIDQMFP-UHFFFAOYSA-N Ammonia chloride Chemical compound [NH4+].[Cl-] NLXLAEXVIDQMFP-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 235000019270 ammonium chloride Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003933 environmental pollution control Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003760 magnetic stirring Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种预测多相混合均匀性的时间序列模型的建立方法。本发明主要应用于化学工程实验中预测流体混合效果及理论上指导及校正实验的设计。具体是:(1)利用电子断层成像技术或高速摄像机来获得多相搅拌混合实时图样;(2)用编写好的程序计算所获得的实时图样的第0维贝蒂数;(3)用(2)的方法每隔一定时间获得之初的相关数据,从而得到相应时间序列;(4)利用(3)得到的时间序列应用相重构法计算时间延迟变量和嵌入维数以及带宽;(5)再对(3)中的时间序列采用一步向前法和局部加权线性预测,从而就有完整的时间序列;(6)再用实验方法来验证我们的预测误差。本发明应用在对所有流体混合效果的预测,该方法简单方便,且具有很高的实用价值。
Description
技术领域
本发明涉及属于化学工程技术领域,具体地说是一种适应于化工领域所有流体混合均匀性预测的方法。
背景技术
时间序列分析是根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。时间序列建模基本步骤是:①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图,进行相关分析,求自相关函数。相关图能显示出变化的趋势和周期,并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象,则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点,则在建模时必须用不同的模型去分段拟合该时间序列,例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列,可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列,可用通用ARMA模型(自回归滑动平均模型)及其特殊情况的自回归模型、滑动平均模型或组合-ARMA模型等来进行拟合。当观测值多于50个时一般都采用ARMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算,化为平稳时间序列,再用适当模型去拟合这个差分序列时间序列分析主要用于:①系统描述。根据对系统进行观测得到的时间序列数据,用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时,可用一个时间序列中的变化去说明另一个时间序列中的变化,从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列,预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上,即预测到过程要偏离目标时便可进行必要的控制。DPS数据处理系统提供给用户一套较完整的时间序列建模分析、进行预测预报的工具,包括平稳无趋势时间序列分析预测、有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均(ARIMA)建模分析、预测等时间序列分析和建模技术。然而上述的方法都是针对非混沌的时间序列,对混沌的则预测模型复杂且效果差。特别是在化工领域混合均匀性方面则更差。而对整个过程实验验证则费时费力,而且低成本,还不能对非正常操作进行检测和避免,甚至对事故产生的避免。
发明内容
本发明的目的是克服了上述方法的不足,提供一种具有较高的应用价值的、简便可行的,适应性强,预测效果好的用于化学工业中流体混合均匀性的预测模型和方法。
本发明预测多相混合均匀性的时间序列模型的建立方的技术方案是:
该方法采用混沌理论以及混沌时间序列预测方法,具体步骤如下:
(1)利用电子断层成像技术或高速摄像机来获得多相搅拌混合实时图样;
(2)用编写好的程序计算所获得的实时图样的第0维贝蒂数;
(3)用(2)的方法每隔一定时间获得之初的相关数据,从而得到相应时间序列;
(4)利用(3)得到的时间序列应用相重构法计算时间延迟变量和嵌入维数以及带宽;(5)再对(3)中的时间序列采用一步向前法和局部加权线性预测,从而就有完整的时间序列;
(6)再用实验方法来验证我们的预测误差。
针对透明或半透明流体该方法通过高速摄像机来获得混合的实时图样;针对不透明流体采用电子断层成像技术EPT来获得混合的的实时图样。
实验中针对均相流体可以加入示踪粒子。
之前每隔一定时间t截取搅拌反应器横截面或者纵截面来获得混合图样,贝蒂数的计算可以用chomp免费软件获得,从而获得相应时间序列。
时间延迟变量的选取采用最大互信息法,嵌入维数则采用伪最小邻近法,带宽则采用0.05的置信水平来选取。
采用高斯核函数作为权重,公式如下:
距离用By correlation来衡量,如下:
采用均方根百分比误差来衡量预测效果,且该方法的预测误差控制在5%以内,公式如下:
在算代数拓扑学中,第0维贝蒂数的含义是:区域中连通成分的个数,简单的说就是区域中块的个数。借助此理论知识对流体混合的复杂相图进行计算,定量给出该混合区域中块的个数,表征了混合均匀性。即在统计学中非参数时间序列预测一步向前局部加权线性法是用相重构的思想进行的。本发明利用该理论来预测多相混合均匀性。具体方法是:(1)利用电子断层成像技术或高速摄像机来获得多相搅拌混合实时图样;(2)用编写好的程序计算所获得的实时图样的第0维贝蒂数;(3)用(2)的方法每隔一定时间获得之初的相关数据,从而得到相应时间序列;(4)利用(3)得到的时间序列应用相重构法计算时间延迟变量和嵌入维数以及带宽;(5)再对(3)中的时间序列采用一步向前法和局部加权线性预测,从而就有完整的时间序列(6)再用实验方法来验证我们的预测误差。
若流体为均匀相,即分辨不出来各相的界面,则可以加入相应的示踪粒子。
本发明的有益效果是:
1该方法补充了经典的时间序列方法如ARMA模型,曲线拟合和参数估计方法(如非线性最小二乘法)的不足;
2、该方法简单可行,它是一种非参数预测方法;
3、可以对搅拌反应器里的不正常操作进行检测并避免危险的产生,且省时省钱。
本发明应用在对所有流体混合均匀性的预测,该方法简单方便,且具有很高的实用价值,对化工实验中预测混合均匀性及理论上指导搅拌反应器的设计及搅拌的操作,提供了一种可靠实用的预测方法,且可有效及时的避免事故的发生。
附图说明
图1为本发明的第0维贝蒂数时间序列实际跟预测对比图。
图2为本发明的第0维贝蒂数时间序列实际跟预测对比图。
图3为本发明的第0维贝蒂数时间序列实际跟预测对比图。
具体实施方式
具体步骤如下:(1)利用电子断层成像技术或高速摄像机来获得多相搅拌混合实时图样;(2)用编写好的程序计算所获得的实时图样的第0维贝蒂数;(3)用(2)的方法每隔一定时间获得之初的相关数据,从而得到相应时间序列;(4)利用(3)得到的时间序列应用相重构法计算时间延迟变量和嵌入维数以及带宽;(5)再对(3)中的时间序列采用一步向前法和局部加权线性预测,从而就有完整的时间序列(6)再用实验方法来验证我们的预测误差。针对透明或半透明流体该方法通过高速摄像机来获得混合的实时图样;针对不透明流体采用电子断层成像技术FPT来获得混合的的实时图样。实验中针对均相流体可以加入示踪粒子。之前每隔一定时间t截取搅拌反应器横截面或者纵截面来获得混合图样,贝蒂数的计算可以用chomp免费软件获得,从而获得相应时间序列。时间延迟变量的选取采用最大互信息法,嵌入维数则采用伪最小邻近法,带宽则采用0.05的置信水平来选取。采用高斯核函数作为权重,公式如下:
距离用By correlation来衡量,如下:
的预测误差控制在5%以内,公式如下:
实施例1:
某造纸厂用一种以木薯根碎纸碎木屑混合物为原材料制作纸浆的方法,一开始就使用混合原材料,其中木薯根的成分多少都可以,但比重在5-50%比较合适,其他的物质为碎纸及碎木屑,比重为95-50%,以上比例是重量比。现在实验室条件下进行混合均匀判断去适量原料放在搅拌器中加水混合。
通过电子断层成像技术EPT(Electrical Process Tomography)或CT(Computerized Tomography)(针对不透明流体)来获得混合的实时图样,保存数据,然后借助计算机计算贝蒂数的程序进行计算,将第0维贝蒂数的时间序列计算出来,测量1-9000,预测9001-9100(如图1),经计算RMSPE=4.89%。
实施例2:
在一种工业制备催化剂方法中将铜、锌、铝的可溶性盐类共溶于去离子水,将模板剂在另一个容器中溶于去离子水,然后将这两种水溶液在强搅拌下充分混合,生成一种均匀的混合溶液,现在实验室条件下进行混合实验通过粒子测速仪(半透明流体)、来获得混合的实时图样,保存数据,然后借助计算机计算贝蒂数的程序进行计算,将第0维贝蒂数的时间序列计算出来,测量1-9000,预测9001-9100。(如图2),经计算RMSPE=4.51%。
实施例3:
化学实验中配置某试剂,将NaCl、(NH4)2SO4、、NH4Cl固体放到磁力搅拌器中加水进行混合,由于放在水中属于均相,故需加入示踪粒子来监控,其混合状态。通过粒子测速仪(针对透明流体)来获得混合的实时图样保存数据,然后借助计算机计算贝蒂数的程序进行计算,将第0维贝蒂数的时间序列计算出来,测量1-9000,预测9001-9100。(如图3),经计算RMSPE=5.00%。
Claims (7)
1.一种预测多相混合均匀性的时间序列模型的建立方法,其特征在于:该方法采用混沌理论以及混沌时间序列预测方法,具体步骤如下:
(1)利用电子断层成像技术或高速摄像机来获得多相搅拌混合实时图样;
(2)用编写好的程序计算所获得的实时图样的第0维贝蒂数;
(3)用(2)的方法每隔一定时间获得之初的相关数据,从而得到相应时间序列;
(4)利用(3)得到的时间序列应用相重构法计算时间延迟变量和嵌入维数以及带宽;
(5)再对(3)中的时间序列采用一步向前法和局部加权线性预测,从而就有完整的时间序列;
(6)再用实验方法来验证我们的预测误差。
2.根据权利要求1所述的预测多相混合均匀性的时间序列模型的建立方法,其特征在于:针对透明或半透明流体该方法通过高速摄像机来获得混合的实时图样;针对不透明流体采用电子断层成像技术EPT来获得混合的的实时图样。
3.根据权利要求1所述预测多相混合均匀性的时间序列模型的建立方法,其特征在于:实验中针对均相流体可以加入示踪粒子。
4.根据权利要求1所述的预测多相混合均匀性的时间序列模型的建立方法,其特征在于:之前每隔一定时间t截取搅拌反应器横截面或者纵截面来获得混合图样,贝蒂数的计算可以用chomp免费软件获得,从而获得相应时间序列。
5.根据权利要求1所述的预测多相混合均匀性的时间序列模型的建立方法,其特征在于:时间延迟变量的选取采用最大互信息法,嵌入维数则采用伪最小邻近法,带宽则采用0.05的置信水平来选取。
6.根据权利要求1所述的预测多相混合均匀性的时间序列模型的建立方法,其特征在于:采用高斯核函数作为权重,公式如下:
距离用By correlation来衡量,如下:
7.根据权利要求1所述的预测多相混合均匀性的时间序列模型和方法,其特征在于:采用均方根百分比误差来衡量预测效果,且该方法的预测误差控制在5%以内,公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102611285A CN101929994A (zh) | 2010-08-24 | 2010-08-24 | 一种预测多相混合均匀性的时间序列模型和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102611285A CN101929994A (zh) | 2010-08-24 | 2010-08-24 | 一种预测多相混合均匀性的时间序列模型和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101929994A true CN101929994A (zh) | 2010-12-29 |
Family
ID=43369289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102611285A Pending CN101929994A (zh) | 2010-08-24 | 2010-08-24 | 一种预测多相混合均匀性的时间序列模型和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101929994A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278527A (zh) * | 2015-12-01 | 2016-01-27 | 中国烟草总公司郑州烟草研究院 | 一种适用于烟草加工过程单回路控制系统的实时性能评价方法 |
CN110260945A (zh) * | 2019-07-09 | 2019-09-20 | 北京大学 | 全反射式气液界面流动显示方法及气液界面位置识别方法 |
CN111862264A (zh) * | 2020-06-09 | 2020-10-30 | 昆明理工大学 | 一种多相混合流型协同调控方法 |
CN111937012A (zh) * | 2018-03-30 | 2020-11-13 | 日本电气方案创新株式会社 | 指标计算设备、预测系统、进度预测评估方法和程序 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650292A (zh) * | 2009-09-02 | 2010-02-17 | 昆明理工大学 | 一种衡量流体混合效果的方法 |
-
2010
- 2010-08-24 CN CN2010102611285A patent/CN101929994A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650292A (zh) * | 2009-09-02 | 2010-02-17 | 昆明理工大学 | 一种衡量流体混合效果的方法 |
Non-Patent Citations (5)
Title |
---|
FENG WAN ETAL: "Control of Discrete-Time Chaotic Systems Using", 《FUZZ-IEEE 2004》 * |
TECK POR LIM ETAL: "Error criteria for cross validation in the context of chaotic time series", 《CHAOS》 * |
方仍存 等: "电力负荷混沌动力特性及其短期预测", 《电网技术》 * |
王一颉,韩 敏: "基于优化相空间重构的多变量混沌时间序列预测", 《PROCEEDINGS OF THE 26TH CHINESE CONTROL CONFERENCE》 * |
程 健, 白静宜, 钱建生, 李世银: "基于混沌时间序列的煤矿瓦斯浓度短期预测", 《中国矿业大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278527A (zh) * | 2015-12-01 | 2016-01-27 | 中国烟草总公司郑州烟草研究院 | 一种适用于烟草加工过程单回路控制系统的实时性能评价方法 |
CN105278527B (zh) * | 2015-12-01 | 2017-10-10 | 中国烟草总公司郑州烟草研究院 | 一种适用于烟草加工过程单回路控制系统的实时性能评价方法 |
CN111937012A (zh) * | 2018-03-30 | 2020-11-13 | 日本电气方案创新株式会社 | 指标计算设备、预测系统、进度预测评估方法和程序 |
CN110260945A (zh) * | 2019-07-09 | 2019-09-20 | 北京大学 | 全反射式气液界面流动显示方法及气液界面位置识别方法 |
CN111862264A (zh) * | 2020-06-09 | 2020-10-30 | 昆明理工大学 | 一种多相混合流型协同调控方法 |
CN111862264B (zh) * | 2020-06-09 | 2023-03-31 | 昆明理工大学 | 一种多相混合流型协同调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
Campolongo et al. | An effective screening design for sensitivity analysis of large models | |
CN102004831B (zh) | 基于emd的预测多相混合效果的时间序列模型建立方法 | |
CN101813641B (zh) | 用于验证多相搅拌混合均匀状态及程度的方法 | |
CN102601881B (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
CN101929994A (zh) | 一种预测多相混合均匀性的时间序列模型和方法 | |
CN101930501B (zh) | 基于分形维数的多相混合效果预测模型建立的方法 | |
CN103400209A (zh) | 配电网检修实施方案优化方法 | |
CN103996147A (zh) | 配电网综合评估方法 | |
Montes et al. | The applicability of computer simulation using Monte Carlo techniques in windfarm profitability analysis | |
Wang et al. | Development of wind speed forecasting model based on the Weibull probability distribution | |
Bullen et al. | Absolute sustainability of New Zealand office buildings in the context of climate targets | |
Yang et al. | A comparison of the reproducibility of regional precipitation properties simulated respectively by weather generators and stochastic simulation methods | |
Zhu | Reliability estimation of s-out-of-k system in a multicomponent stress–strength dependent model based on copula function | |
Assani et al. | Scale efficiency of China's regional R & D value chain: A double frontier network DEA approach | |
CN101620438B (zh) | 一种模拟板式降膜蒸发器系统 | |
Lotfi et al. | Reliability assessment for power grid by adding wind farm | |
CN105975444A (zh) | 一种基于信息熵的地下水数值模拟不确定性定量分析方法 | |
Porcelli et al. | Prospective environmental impact assessment and simulation applied to an emerging biowaste-based energy technology in Europe | |
Lujano-Rojas et al. | Wind power forecasting error distributions and probabilistic load dispatch | |
Lu et al. | Derivation of ecological criteria for copper in land-applied biosolids and biosolid-amended agricultural soils | |
Wang et al. | D-Vine Copula Based Spatial Correlation Characterization for Capacity Credit Assessment of Wind and PV Power | |
Jiang et al. | Determining reserve requirements in systems with significant stochastic generation capacity using copulas | |
Varughese | On the accuracy of a diffusion approximation to a discrete state–space Markovian model of a population | |
Zhang et al. | Development and forecasting of electrochemical energy storage: An evidence from China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20101229 |