CN101930501A - 基于分形维数的多相混合效果预测模型建立的方法 - Google Patents
基于分形维数的多相混合效果预测模型建立的方法 Download PDFInfo
- Publication number
- CN101930501A CN101930501A CN2010102611139A CN201010261113A CN101930501A CN 101930501 A CN101930501 A CN 101930501A CN 2010102611139 A CN2010102611139 A CN 2010102611139A CN 201010261113 A CN201010261113 A CN 201010261113A CN 101930501 A CN101930501 A CN 101930501A
- Authority
- CN
- China
- Prior art keywords
- fractal dimension
- time series
- mixed effect
- dimension
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000000694 effects Effects 0.000 title claims abstract description 24
- 238000002474 experimental method Methods 0.000 claims abstract description 14
- 238000003325 tomography Methods 0.000 claims abstract description 8
- 239000012530 fluid Substances 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000000714 time series forecasting Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 238000003756 stirring Methods 0.000 abstract description 4
- 238000003889 chemical engineering Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 abstract 1
- 238000012731 temporal analysis Methods 0.000 description 8
- 238000000700 time series analysis Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 241001123248 Arma Species 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 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
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012882 sequential analysis Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000036962 time dependent 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
- 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
- 230000002421 anti-septic effect Effects 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 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
- 239000000203 mixture Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于分形维数的多相混合效果预测模型建立的方法。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)用编写好的计算盒子维数的程序来计算所获得实时图样的分形维数;(3)用(2)的方法每隔一定时间获得之前的相关数据,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核回归预测,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。本发明对化工实验中预测混合效果及理论上指导搅拌反应器的设计及搅拌的操作及校正实验,提供了可靠实用的预测方法。
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效果预测的方法。
背景技术
时间序列分析预测法是根据市场过去的变化趋势预测未来的发展,它的前提是假定事物的过去会同样延续到未来。事物的现实是历史发展的结果,而事物的未来又是现实的延伸,事物的过去和未来是有联系的。市场预测的时间序列分析法,正是根据客观事物发展的这种连续规律性,运用过去的历史数据,通过统计分析,进一步推测市场未来的发展趋势。市场预测中,事物的过去会同样延续到未来,其意思是说,市场未来不会发生突然跳跃式变化,而是渐进变化的。时间序列分析预测法突出了时间因素在预测中的作用,暂不考虑外界具体因素的影响。时间序列在时间序列分析预测法处于核心位置,没有时间序列,就没有这一方法的存在。虽然,预测对象的发展变化是受很多因素影响的。但是,运用时间序列分析进行量的预测,实际上将所有的影响因素归结到时间这一因素上,只承认所有影响因素的综合作用,并在未来对预测对象仍然起作用,并未去分析探讨预测对象和影响因素之间的因果关系。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、生态平衡、天文学和海洋学等方面。其建模基本步骤是: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。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将观测到的时间序列进行差分运算,化为平稳时间序列。现在甚至用模糊推理系统和人工神经网络来预测。用支持向量机的径向基方法也得到了应用。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混合效果方面则更差。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效果的预测模型和方法。
本发明的基于分形维数的多相混合效果预测模型建立的方法技术方案是:
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)用编写好的计算盒子维数的程序来计算所获得实时图样的分形维数;
(3)用(2)的方法每隔一定时间获得之前的相关数据,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核回归预测,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,分形维数的计算可以用计算盒子维数的方法计算获得,从而获得相应的分形维数的时间序列。
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。
采用均方根误差来衡量预测效果,其预测误差RMSE<0.01公式如下
采用预测法时用Epanechnikov核函数作为权重,公式如下
距离用Euclidean来衡量。如下
计算代数拓扑学中,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 域的分形维数,描述分形最主要的参量。分维反映了复杂形体占有空间的有效性,它是复杂形体不规则性的量度。在统计学中非参数时间序列预测一步向前核回归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效果。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)用编写好的计算盒子维数的程序来计算所获得实时图样的分形维数;(3)用(2)的方法每隔一定时间获得之前的相关数据,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核回归预测,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ARMA模型,曲线拟合和参数估计方法的不足;
2、对异常情况能及时加以调整和分析;
3、该方法简单可行,它是一种非参数预测方法;
4、该方法预测误差小,精确度高;
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,对化工实验中预测混合效果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为本发明的分形维数随时间变化的实际和预测的对比图。
图2为本发明的分形维数随时间变化的实际和预测的对比图。
图1中,RMSE=0.00574,图2中,RMSE=0.00623。
具体实施方式
计算代数拓扑学中,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的分形维数,描述分形最主要的参量。分维反映了复杂形体占有空间的有效性,它是 复杂形体不规则性的量度。在统计学中非参数时间序列预测一步向前核回归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效果。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)用编写好的计算盒子维数的程序来计算所获得实时图样的分形维数;(3)用(2)的方法每隔一定时间获得之前的相关数据,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核回归预测,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。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,分形维数的计算可以用计算盒子维数的方法计算获得,从而获得相应的分形维数的时间序列。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。
采用均方根误差来衡量预测效果,其预测误差RMSE<0.01公式如下
上述中的预测法时用Epanechnikov核函数作为权重,公式如下
距离用Euclidean来衡量。如下
实施例1:
化学实验中配置某检测试剂,将KCl、(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分形维数的程序进行计算,将分形维数的时间序列计算出来,测量1-4500,预测4501-4600(如图1)
实施例2:
在一种工厂制备防腐剂方法中将铜、铁、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分形维数的程序进行计算,将分形维数的时间序列计算出来,测量1-4500,预测4501-4600,(如图2)。
Claims (6)
1.一种基于分形维数的多相混合效果预测模型建立的方法,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)用编写好的计算盒子维数的程序来计算所获得实时图样的分形维数;
(3)用(2)的方法每隔一定时间获得之前的相关数据,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核回归预测,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所述的基于分形维数的多相混合效果预测模型建立的方法,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,实验中针对均相流体可以加入示踪粒子。
3.根据权利要求1所述的基于分形维数的多相混合效果预测模型建立的方法,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,分形维数的计算可以用计算盒子维数的方法计算获得,从而获得相应的分形维数的时间序列。
4.根据权利要求1所述的基于分形维数的多相混合效果预测模型建立的方法,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。
5.根据权利要求1所述的基于分形维数的多相混合效果预测模型建立的方法,其特征在于:
采用均方根误差来衡量预测效果,其预测误差RMSE<0.01公式如下
6.根据权利要求5所述的基于分形维数的多相混合效果预测模型建立的方法,其特征在于:采用预测法时用Epanechnikov核函数作为权重,公式如下
距离用Euclidean来衡量。如下
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010261113.9A CN101930501B (zh) | 2010-08-24 | 2010-08-24 | 基于分形维数的多相混合效果预测模型建立的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010261113.9A CN101930501B (zh) | 2010-08-24 | 2010-08-24 | 基于分形维数的多相混合效果预测模型建立的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101930501A true CN101930501A (zh) | 2010-12-29 |
CN101930501B CN101930501B (zh) | 2014-02-12 |
Family
ID=43369674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010261113.9A Active CN101930501B (zh) | 2010-08-24 | 2010-08-24 | 基于分形维数的多相混合效果预测模型建立的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101930501B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103842923A (zh) * | 2011-07-19 | 2014-06-04 | 智能信号公司 | 用于预报和预测的序列核回归建模系统 |
CN105022883A (zh) * | 2015-07-27 | 2015-11-04 | 昆明理工大学 | 一种精确估计液滴群混合时间的方法 |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
CN108985462A (zh) * | 2018-07-12 | 2018-12-11 | 北京航空航天大学 | 基于互信息和分形维数的无监督特征选择方法 |
CN113138141A (zh) * | 2021-04-23 | 2021-07-20 | 昆明理工大学 | 一种测量固-液混合过程固体扩散速率和溶解速率的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1821755A (zh) * | 2006-03-29 | 2006-08-23 | 哈尔滨工业大学 | 水中絮体分形脉动影像实时检测方法 |
CN101187991A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 一种腐蚀深度的混沌预测方法 |
-
2010
- 2010-08-24 CN CN201010261113.9A patent/CN101930501B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1821755A (zh) * | 2006-03-29 | 2006-08-23 | 哈尔滨工业大学 | 水中絮体分形脉动影像实时检测方法 |
CN101187991A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 一种腐蚀深度的混沌预测方法 |
Non-Patent Citations (2)
Title |
---|
《新疆石油地质》 20061031 姜辉 等 "主流随机建模技术评价及约束原则" 621-625 全文 第27卷, 第5期 * |
姜辉 等: ""主流随机建模技术评价及约束原则"", 《新疆石油地质》, vol. 27, no. 5, 31 October 2006 (2006-10-31), pages 621 - 625 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103842923A (zh) * | 2011-07-19 | 2014-06-04 | 智能信号公司 | 用于预报和预测的序列核回归建模系统 |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
CN103842923B (zh) * | 2011-07-19 | 2016-09-07 | 智能信号公司 | 用于预报和预测的序列核回归建模系统 |
CN105022883A (zh) * | 2015-07-27 | 2015-11-04 | 昆明理工大学 | 一种精确估计液滴群混合时间的方法 |
CN108985462A (zh) * | 2018-07-12 | 2018-12-11 | 北京航空航天大学 | 基于互信息和分形维数的无监督特征选择方法 |
CN108985462B (zh) * | 2018-07-12 | 2021-03-12 | 北京航空航天大学 | 基于互信息和分形维数的无监督特征选择方法 |
CN113138141A (zh) * | 2021-04-23 | 2021-07-20 | 昆明理工大学 | 一种测量固-液混合过程固体扩散速率和溶解速率的方法 |
CN113138141B (zh) * | 2021-04-23 | 2023-01-20 | 昆明理工大学 | 一种测量固-液混合过程固体扩散速率和溶解速率的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101930501B (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
Xing et al. | Projection of future runoff change using climate elasticity method derived from Budyko framework in major basins across China | |
CN103136539B (zh) | 接地网腐蚀速率等级预测方法 | |
CN101930501B (zh) | 基于分形维数的多相混合效果预测模型建立的方法 | |
CN103268519B (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
Muthusamy et al. | Geostatistical upscaling of rain gauge data to support uncertainty analysis of lumped urban hydrological models | |
CN106845103B (zh) | 考虑配电网光、风、荷三维相关性的综合概率模型建立方法 | |
Wadsworth et al. | Accounting for choice of measurement scale in extreme value modeling | |
CN101718775A (zh) | 围垦地土壤中重金属含量的空间变异分布图生成方法 | |
CN102968529B (zh) | 一种供水管网模型计算结果不确定性区间的量化方法 | |
CN104462861A (zh) | 一种基于水库调度规则合成的水库调度决策方法 | |
MacDonell et al. | Data accumulation and software effort prediction | |
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 | |
Yang et al. | A comparison of the reproducibility of regional precipitation properties simulated respectively by weather generators and stochastic simulation methods | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN101929994A (zh) | 一种预测多相混合均匀性的时间序列模型和方法 | |
Bu et al. | Enriching load data using micro-PMUs and smart meters | |
CN102880785A (zh) | 针对gpu程序的源码级数据传输能耗估算方法 | |
RU61906U1 (ru) | Система учета, контроля и прогноз при совершении действий с ресурсами | |
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 | |
Ditmars et al. | Performance evaluation of surface water transport and dispersion models | |
Willems | Stochastic generation of spatial rainfall for urban drainage areas | |
Mihon et al. | Grid based hydrologic model calibration and execution | |
CN106020982A (zh) | 一种软件组件资源消耗模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |