CN107885966B - 含约束svm异常化学单元素分类方法 - Google Patents
含约束svm异常化学单元素分类方法 Download PDFInfo
- Publication number
- CN107885966B CN107885966B CN201710992735.0A CN201710992735A CN107885966B CN 107885966 B CN107885966 B CN 107885966B CN 201710992735 A CN201710992735 A CN 201710992735A CN 107885966 B CN107885966 B CN 107885966B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- svm
- elements
- data set
- training data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/80—Data visualisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Abstract
本发明提供了含约束SVM异常化学单元素分类方法,所述方法包括步骤:对待分类范围内的采样数据进行预处理得到训练数据集;对训练数据集加入约束条件得到含约束条件的训练数据集;对含约束条件的训练数据集进行归一化处理,归一化后的含约束条件的训练数据集用于训练SVM分类器;获取SVM分类器的最优核函数得到SVM最优分类器;使用SVM最优分类器对训练数据集进行线性分类;使用线性分类后的结果生成完整的地球化学单元素异常图。本发明有效的圈定出满足地质条件约束的地球化学单元素异常,有效解决了单元素异常的分布和走向问题。
Description
技术领域
本发明涉及地球化学勘查专题制图领域,具体涉及含约束SVM异常化学单元素分类方法。
背景技术
单元素地球化学异常图表明单个元素(指标)的化学异常特征和范围,是地球化学勘查科研生产中的重要成果图件,也是获得综合异常图进行异常分类与评价的基础图件。目前利用计算机进行单元素异常的机助制图,普遍采用基于规则网格或不规则三角网追踪等值线图的方法,生成的异常图完全依赖于采样数据,受采样均匀程度影响较大。
根据矿床学理论和专家经验,异常的形态应该与已知矿产、构造、蚀变等地质特征具有对应的关系,在圈定单元素异常的过程中应当加入地质、地形等数据的约束。比较明确的地质条件约束包括地质单元分区约束和地质构造方向约束。地质单元分区约束需要按照不同的地质单元依次求取元素的异常下限,不同分区采用不同的异常下限,如果两个区相邻且异常下限相同,则圈定异常时将两个区作为一个区处理,如果异常下限不相同,则当一个区的异常等值线遇到边界时不能跨越边界和相邻区的异常合并在一起,需要在原有的地质单元区内光滑闭合。地质构造方向约束是指元素异常的走向与地质构造方向在一定角度偏差范围内保持一致。实际中单元素异常的走向并不是与构造方向严格一致的,因此利用构造方向约束异常走向时,只需要异常的走向与构造方向的偏差在一定的范围内即可,角度的偏差可根据研究区的具体情况进行调整。
现有基于格网的等值线追踪圈定单元素异常的方法很少考虑地质条件的约束,实际应用中,化探人员在利用单元素异常圈定组合异常以及圈定找矿靶区的过程中常考虑地质条件,但受人为的影响较大,需要探索一种利用智能的根据专家经验圈定单元素异常,进而快速圈定组合异常的方法。
发明内容
本发明提供了含约束SVM异常化学单元素分类方法,可以有效解决上述问题。
本发明提供的技术方案是:含约束SVM异常化学单元素分类方法,所述方法包括步骤:对待分类范围内的采样数据进行预处理得到训练数据集;对所述训练数据集加入约束条件得到含约束条件的训练数据集;对所述含约束条件的训练数据集进行归一化处理,归一化后的含约束条件的训练数据集用于训练SVM分类器;获取SVM分类器的最优核函数得到SVM最优分类器;使用所述SVM最优分类器对训练数据集进行线性分类;使用线性分类后的结果生成完整的地球化学单元素异常图。
本发明的有益效果是:本发明提供了含约束SVM异常化学单元素分类方法,通过使用SVM将低纬度的线性分类不可解问题转化为高纬度的线性分类可解决,充分利用了SVM的灵活扩展性和广泛的分类预测能力。同时,结合相应的约束条件,最终有效的圈定出满足地质条件约束的地球化学单元素异常,有效解决了单元素异常的分布和走向问题。
附图说明
图1是本发明实施例中含约束SVM异常化学单元素分类步骤的整体流程图;
图2是本发明实施例在训练数据集中加入地质单元分区约束条件步骤流程图;
图3是本发明实施例训练数据集中加入地质单元分区约束条件后的效果图;
图4是本发明实施例在训练数据集中加入地质构造约束条件步骤流程图;
图5是本发明实施例中在训练数据集中加入地质构造约束条件效果示意图;
图6是本发明实施例中SVM最优分类器对训练数据集进行线性分类步骤流程图。
具体实施方式
为使本发明的目的、技术方案和优元素更加清楚,下面将结合附图对本发明实施方式作进一步地描述,下文中提到的具体技术细节,如:方法,设备等,仅为使读者更好的理解技术方案,并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了含约束SVM异常化学单元素分类方法。请参阅图1,图1是本发明实施例中含约束SVM异常化学单元素分类步骤的整体流程图,具体步骤包括:
S101:对待分类范围内的采样数据进行预处理得到训练数据集。
S102:对所述训练数据集加入约束条件得到含约束条件的训练数据集,所述约束条件具体包括:地质单元分区约束条件及地质构造约束条件。
S103:对所述含约束条件的训练数据集进行归一化处理,归一化后的含约束条件的训练数据集用于训练SVM分类器。将得到用于约束异常不能跨越地质单元边界的边界元素,标记为非异常元素。将得到用于约束异常沿地质构造方向延伸的虚拟采样元素,标记为异常元素。训练数据集的特征向量是采样元素的横坐标和纵坐标。经过以上步骤处理,将得到由采样数据和处理得到的约束数据构成的训练数据集,在训练前需要采用标准差归一化方法,以消除各特征的量纲,最大限度的保持样品间差异。
S104:获取SVM分类器的最优核函数得到SVM最优分类器,所述核函数为RBF核函数;在确定最优SVM分类器的参数时,所述RBF核函数的gamma参数为指数级增长,惩罚因子为均匀步长增长;使用5折交叉验证和10折交叉验证来验证最优SVM分类器的分类准确率。采用交叉验证法和网格搜索法获得SVM分类器的最优参数。采用RBF核函数,开始搜索时,参数gamma采用指数级增长,参数C(惩罚因子)采用均匀步长增长,加大步长间距,交叉验证采用5折,对预测准确率以等值线的方式显示可进一步确定分类准确率较高的参数范围;再次进行搜索时可采用均匀步长增长,适当缩小步长间距,交叉验证采用10折。根据预测准确率的等值线显示可确定最优参数的范围,最终获得器的最优参数。
S105:使用所述SVM最优分类器对训练数据集进行线性分类,具体包括:所诉线性分类在高维空间中实现;所述线性分类包括外带、中带及内带线性分类;所述外带、中带及内带线性分类被转换到二维平面上显示。
S106:使用线性分类后的结果生成完整的地球化学单元素异常图,包括:对所述外、中、内带异常分类线精心光滑处理和拓扑造区。
参见图2,图2是本发明实施例在训练数据集中加入地质单元分区约束条件步骤流程图,包括:
S201:为训练数据集添加地质单元属性。
S202:根据所述地质单元属性将训练数据集中的元素分类。
S203:求取每一类元素的异常下限。
S204:所述异常下限成为判断元素类别的判定条件。
S205:对于异常下限不同的相邻分区,将相邻分区异常下限公共边界上的元素标记为非异常元素加入到所述训练数据集中以约束异常区不跨越边界线。
S206:判断所述边界线上的元素分布情况。
S207:若分布稀疏,则在稀疏的地方增加元素以保证约束效果。
S208:若分布稠密,则在稠密的地方抽稀以提高计算效率。
S209:对于异常下限相同的相邻分区不做任何处理。
参见图3,图3是本发明实施例训练数据集中加入地质单元分区约束条件后的效果图,包括:边界线301、地质单元1、地质单元2、地质单元3、地质单元4及地质单元5。地质单元1、地质单元2及地质单元3的异常下限为30,地质单元4的异常下限为50,地质单元5的异常下限为40。由图中可见,在相邻地质单元4和5、1和5、1和4、2和4、3和4之间加入了边界线301用于处理异常不能越界,而相邻地质单元异常下限一致时不处理边界。
参见图4,图4是本发明实施例在训练数据集中加入地质构造约束条件步骤流程图,包括:
S401:将增加的用于约束异常不能越界的边界元素属性赋值为0。
S402:获取同一采样线上的异常元素集。对同一采样线上的异常元素进行搜索,如果相邻采样元素同为异常元素或者异常元素间只相隔一个非异常元素,则归为一个异常元素集,单个异常元素也称为一个元素集。
S403:获取相邻采样线上的异常元素集。绘制通过每一个异常元素集边界元素的沿构造方向的辅助线,辅助线的长度大概绘制1.5倍的采样线间隔,能够超过相邻采样线。异常走向与构造方向允许存在一定的偏差,通常以与构造方向偏移一定的角度表示。根据偏移的角度计算在搜索元素集组合时的偏移距离。暂时以1倍的元素距作为偏移的搜索距离,按照线距是元素距的2.5倍计算,偏移的角度约为22度,因此需要把辅助线往元素集的外侧偏移一个元素距。搜索异常元素集辅助线区间内的相邻采样线是否存在异常元素集,如果存在,则构成了异常元素集组合;如果不存在,则不构成元素集组合,不作为插入虚拟异常元素区域;针对分区约束,如果搜索到辅助线区间内存在元素值属性为0的元素,则是遇到了分区边界,不能构成元素集组合。
S404:确定添加虚拟异常元素的区域。假设异常元素集组合中包含的两个元素集分别为相邻采样线上的元素集1和元素集2。如果元素集1和元素集2都只包含一个异常元素,则采用两异常元素连线表示异常多边形;如果元素集1包含两个以上的元素而元素集2包含一个元素,则采用三角形表示异常多边形;如果两个元素集各自都超过两个元素,则采用四边形表示异常多边形。因此添加虚拟异常元素的多边形区域主要有三种:线段、三角形、四边形。
S405:在所述区域内添加虚拟异常元素。在采样线间绘制两条平行线将采样线间区域均分为3部分,虚拟异常元素位于平行线被异常多边形截取的线段上,元素的个数一般为线段的长度与元素距比值的整数倍加1,均匀分布在线段上。对于线段异常区域,虚拟异常元素的位置是平行线与线段异常区域的交元素;对于三角形和多边形异常区域,则元素均匀的分布在截取线段上;当多边形异常区重叠时,则只添加一次异常元素。
S406:获取添加虚拟异常元素的坐标位置和标识。如果构成元素集的异常元素是根据异常下限判定的,则添加的异常元素标记为外带异常元素,如果是根据2倍或4倍异常下限判断的,则依次标记为中带异常元素或内带异常元素。获得添加异常元素的坐标作为特征向量,加入原始采样数据一起训练得到SVM分类器。
依据等值线的原理,单元素异常采用外中内带三条等值线将采样元素分为4类,外带分类线内的元素含量值都高于异常下限,线外的值都低于异常下限。因此在构建SVM外带分类器的训练数据集时可根据异常下限与采样元素含量的比值对采样元素进行分类,一类是分类线外低于异常下限的,另一类是分类线内高于异常下限的,中带和内带分别采用2倍和4倍异常下限进行比较。
参见图5,图5是本发明实施例中在训练数据集中加入地质构造约束条件效果示意图,包括:三角形异常区域501、四边形异常区域502、采样线503、线段异常区域504、多边形异常重叠区505、虚拟异常元素506及辅助线507。由图中可见,灰色标记的元素聚集成异常元素集。三角形异常区域501,四边形异常区域502及线段异常区域504为异常元素集组合,也是添加虚拟异常元素的区域。
参见图6,图6是本发明实施例中SVM最优分类器对训练数据集进行线性分类步骤流程图,包括:
S601:以整个研究区为范围,构建规则网格预测元素。将整个研究区域按照一定的间距划分为均匀网格,得到每一个网格元素的坐标和特征向量,按照统一的规范化参数进行数据规范化,利用得到的分类器进行预测得到每一个网格元素的分类预测值,再利用规范化参数变换到原来的空间。获取预测数据时,应当在采样元素外包范围的基础上进行适当的扩大,以保证异常在边界处的完整表现,默认前后左右各扩展边界长度的百分之一或百分之二(边界处异常元素较多时)。网格间距通常采用采样元素的平均间距作为网格元素的间距。
S602:利用SVM分类器预测规则网格预测元素,得到网格元素的类别。利用外带、中带、内带SVM分类器对同一套预测网格元素进行预测,每一个预测元素将得到三个预测值。由于地球化学外带、中带、内带存在嵌套包含的关系,理论上内带分类器预测结果为正的元素,中带分类器的预测结果肯定为正,同理中带分类器预测为正的元素外带分类器的预测结果肯定为正。利用这个规则,可将三次预测的结果组合在一起,采用“0-1-2-3”4种标识表示研究区的预测元素。采用同一套预测数据导入预测,对同一个元素利用外带器预测时,如果结果小于0,则标记为0,如果大于0则标记为1,采用“0-1”模式表示外带;利用中带器预测时,如果预测结果大于0,则标记为2,小于0的预测元素则直接采用外带预测的结果,采用“1-2”模式表示中带;内带预测时,如果预测值大于0,则标记为3。如果小于0则采用中带的预测结果表示,采用“2-3”模式表示内带。
S603:将得到的网格预测元素构建成网格,以元素的类别表示元素的属性值,通过等值线追踪的方法,追踪外、中、内带异常分类线。所述追踪外、中、内带异常分类线的为追踪值为0.5、1.5、2.5的等值线。
通过执行本发明的实施例,本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术,本发明的实施例提供了含约束SVM异常化学单元素分类方法,通过使用SVM将低纬度的线性分类不可解问题转化为高纬度的线性分类可解决,充分利用了SVM的灵活扩展性和广泛的分类预测能力。同时,结合相应的约束条件,最终有效的圈定出满足地质条件约束的地球化学单元素异常,有效解决了单元素异常的分布和走向问题。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.含约束SVM异常化学单元素分类方法,其特征在于:包括以下步骤:对待分类范围内的采样数据进行预处理得到训练数据集;对所述训练数据集加入约束条件得到含约束条件的训练数据集,所述约束条件包括地质单元分区约束条件及地质构造约束条件,其中,所述加入地质单元分区约束条件具体步骤包括:为训练数据集添加地质单元属性;根据所述地质单元属性将训练数据集中的元素分类;求取每一类元素的异常下限;所述异常下限成为判断元素类别的判定条件;对于异常下限不同的相邻分区,将相邻分区异常下限公共边界上的元素标记为非异常元素加入到所述训练数据集中以约束异常区不跨越边界线;判断所述边界线上的元素分布情况;若分布稀疏,则在稀疏的地方增加元素以保证约束效果;若分布稠密,则在稠密的地方抽稀以提高计算效率;对于异常下限相同的相邻分区不做任何处理;所述加入地质构造约束条件具体步骤包括:将增加的用于约束异常不能越界的边界元素属性赋值为0;获取同一采样线上的异常元素集;获取相邻采样线上的异常元素集;确定添加虚拟异常元素的区域;在所述区域内添加虚拟异常元素;获取添加虚拟异常元素的坐标位置和标识;对所述含约束条件的训练数据集进行归一化处理,归一化后的含约束条件的训练数据集用于训练SVM分类器;获取SVM分类器的最优核函数得到SVM最优分类器;以整个研究区为范围,构建规则网格预测元素;利用SVM分类器预测规则网格预测元素,得到网格元素的类别;将得到的网格预测元素构建成网格,以元素的类别表示元素的属性值,通过等值线追踪的方法,追踪外、中、内带异常分类线;使用线性分类后的结果生成完整的地球化学单元素异常图。
2.如权利要求1所述的含约束SVM异常化学单元素分类方法,其特征在于:所述核函数为RBF核函数;在确定最优SVM分类器的参数时,所述RBF核函数的gamma参数为指数级增长,惩罚因子为均匀步长增长;使用5折交叉验证和10折交叉验证来验证最优SVM分类器的分类准确率。
3.如权利要求1所述的含约束SVM异常化学单元素分类方法,其特征在于:所述使用所述SVM最优分类器对训练数据集进行线性分类具体包括:所述线性分类在高维空间中实现;所述外带、中带及内带线性分类被转换到二维平面上显示。
4.如权利要求1所述的含约束SVM异常化学单元素分类方法,其特征在于:所述使用线性分类后的结果生成完整的地球化学单元素异常图包括:对所述外、中、内带异常分类线精细光滑处理和拓扑造区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992735.0A CN107885966B (zh) | 2017-10-23 | 2017-10-23 | 含约束svm异常化学单元素分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992735.0A CN107885966B (zh) | 2017-10-23 | 2017-10-23 | 含约束svm异常化学单元素分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107885966A CN107885966A (zh) | 2018-04-06 |
CN107885966B true CN107885966B (zh) | 2020-06-26 |
Family
ID=61782000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710992735.0A Active CN107885966B (zh) | 2017-10-23 | 2017-10-23 | 含约束svm异常化学单元素分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107885966B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927767B (zh) * | 2021-02-22 | 2022-05-13 | 中国地质大学(武汉) | 基于图注意力自编码的多元地球化学异常识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467449A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 |
CN105760673A (zh) * | 2016-02-22 | 2016-07-13 | 中国海洋石油总公司 | 一种河流相储层地震敏感参数模板分析方法 |
CN106355011A (zh) * | 2016-08-30 | 2017-01-25 | 有色金属矿产地质调查中心 | 一种地球化学数据元素序结构分析方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235073A1 (en) * | 2014-01-28 | 2015-08-20 | The Trustees Of The Stevens Institute Of Technology | Flexible part-based representation for real-world face recognition apparatus and methods |
-
2017
- 2017-10-23 CN CN201710992735.0A patent/CN107885966B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467449A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 基于地震分级敏感属性融合的深层薄互储层定量表征方法 |
CN105760673A (zh) * | 2016-02-22 | 2016-07-13 | 中国海洋石油总公司 | 一种河流相储层地震敏感参数模板分析方法 |
CN106355011A (zh) * | 2016-08-30 | 2017-01-25 | 有色金属矿产地质调查中心 | 一种地球化学数据元素序结构分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
Reappraisal of the effective elastic thickness for the sub-Andes using 3-D finite element flexural modelling, gravity and geological constraints;V. Sacek.etc;《Geophysical Journal International》;20091130;第778-786页 * |
地质信息约束下的三维密度填图技术研究及应用;郭冬等;《地质学报》;20140430;第763-776页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107885966A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
Sebtosheikh et al. | Lithology prediction by support vector classifiers using inverted seismic attributes data and petrophysical logs as a new approach and investigation of training data set size effect on its performance in a heterogeneous carbonate reservoir | |
Xiang et al. | 3D mineral prospectivity mapping with random forests: A case study of Tongling, Anhui, China | |
Tucci et al. | Positional accuracy, positional uncertainty, and feature change detection in historical maps: Results of an experiment | |
CN108090456A (zh) | 一种车道线识别方法及装置 | |
US8090538B2 (en) | System and method for interpretation of well data | |
Liu et al. | Identification of rock discontinuity sets based on a modified affinity propagation algorithm | |
CN116665067B (zh) | 基于图神经网络的找矿靶区优选系统及其方法 | |
WO2014099204A1 (en) | Method and system for geophysical modeling of subsurface volumes based on computed vectors | |
Hillier et al. | Three-dimensional structural geological modeling using graph neural networks | |
CN112652066B (zh) | 一种基于三维地质模型的地质表征情况的评价方法及系统 | |
Airola et al. | The spatial leave-pair-out cross-validation method for reliable AUC estimation of spatial classifiers | |
US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Mai et al. | ADCN: An anisotropic density‐based clustering algorithm for discovering spatial point patterns with noise | |
Tzu-hao et al. | Reservoir uncertainty quantification using probabilistic history matching workflow | |
CN108229658A (zh) | 基于有限样本的物体检测器的实现方法及装置 | |
CN109298464A (zh) | 致密砂岩储层成岩相测井识别方法及装置 | |
Guan et al. | Recognizing multivariate geochemical anomalies related to mineralization by using deep unsupervised graph learning | |
CN111413741B (zh) | 一种砂岩型铀矿资源量计算方法和装置 | |
CN107885966B (zh) | 含约束svm异常化学单元素分类方法 | |
Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
Beilschmidt et al. | A linear-time algorithm for the aggregation and visualization of big spatial point data | |
US10083220B2 (en) | Designing a choropleth map | |
Tu et al. | Comparative investigation of parallel spatial interpolation algorithms for building large-scale digital elevation models | |
CN116975668A (zh) | 巷道围岩的应力状态的确定方法、装置和确定系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |