CN109338414B - 酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备 - Google Patents
酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备 Download PDFInfo
- Publication number
- CN109338414B CN109338414B CN201811281316.7A CN201811281316A CN109338414B CN 109338414 B CN109338414 B CN 109338414B CN 201811281316 A CN201811281316 A CN 201811281316A CN 109338414 B CN109338414 B CN 109338414B
- Authority
- CN
- China
- Prior art keywords
- optimal
- aluminum fluoride
- aluminum
- current efficiency
- excess
- 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
- KLZUFWVZNOTSEM-UHFFFAOYSA-K Aluminum fluoride Inorganic materials F[Al](F)F KLZUFWVZNOTSEM-UHFFFAOYSA-K 0.000 title claims abstract description 239
- IRPGOXJVTQTAAN-UHFFFAOYSA-N 2,2,3,3,3-pentafluoropropanal Chemical compound FC(F)(F)C(F)(F)C=O IRPGOXJVTQTAAN-UHFFFAOYSA-N 0.000 title claims abstract description 207
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000008569 process Effects 0.000 title claims abstract description 48
- 239000002253 acid Substances 0.000 title claims abstract description 36
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 35
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 239000003792 electrolyte Substances 0.000 claims abstract description 91
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 35
- 230000002068 genetic effect Effects 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000003647 oxidation Effects 0.000 claims 1
- 238000007254 oxidation reaction Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000011978 dissolution method Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 description 22
- 210000004027 cell Anatomy 0.000 description 16
- 229910052593 corundum Inorganic materials 0.000 description 15
- 239000010431 corundum Substances 0.000 description 12
- 239000000203 mixture Substances 0.000 description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 239000000654 additive Substances 0.000 description 7
- 239000010439 graphite Substances 0.000 description 7
- 229910002804 graphite Inorganic materials 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000996 additive effect Effects 0.000 description 5
- 229910001634 calcium fluoride Inorganic materials 0.000 description 5
- 239000013078 crystal Substances 0.000 description 5
- 229910001635 magnesium fluoride Inorganic materials 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 229910001845 yogo sapphire Inorganic materials 0.000 description 3
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 2
- 229910001610 cryolite Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 239000011737 fluorine Substances 0.000 description 2
- 238000006460 hydrolysis reaction Methods 0.000 description 2
- ORUIBWPALBXDOA-UHFFFAOYSA-L magnesium fluoride Chemical compound [F-].[F-].[Mg+2] ORUIBWPALBXDOA-UHFFFAOYSA-L 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000010425 asbestos Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229910052895 riebeckite Inorganic materials 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
- C25C3/06—Electrolytic production, recovery or refining of metals by electrolysis of melts of aluminium
- C25C3/20—Automatic control or regulation of cells
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Electrolytic Production Of Metals (AREA)
Abstract
本发明公开一种酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备,方法包括:将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;计算满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;计算出氟化铝添加量。本发明在“一步酸溶法”铝电解生成中确定每个下料周期的氟化铝添加量。
Description
技术领域
本发明涉及氧化铝电解相关技术领域,特别是一种酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备。
背景技术
铝是有色金属之首,产量仅次于钢铁。在铝冶金工业的所有流程中,电解工序占整个铝生产用能的80%~89%,历来被称为“高耗能产业”,一向素有“电老虎”之称,因此也成为了国家重点调控的产业之一。铝电解节能途径之一是提高电流效率。电流效率是指铝电解槽实际的铝产量与按照法拉第定律计算的理论铝产量的比值。提高电流效率的措施有很多,其中主要的方法是降低电解温度。降低电解温度的最佳方法之一是选择合适的添加剂,找到初晶温度较低的电解质体系组成。而在所有的添加剂中,氟化铝所占比例最大,氟化铝添加剂对电解质成分的改变起着相当大的作用,从而对电解温度有显著的影响。氟化铝添加剂的加入直接改变的是铝电解质中过剩氟化铝含量。过剩氟化铝含量与电解质的分子比直接相关,即直接影响电解质的酸度,而电解质酸度与电解温度存在密切的联系。可见,氟化铝添加量的改变可在一定范围内对铝电解质的电解温度和初晶温度进行调节,而铝电解槽的热平衡在很大程度上又依赖于电解温度和初晶温度。因此寻求并应用适当的氟化铝添加量控制策略,在维持铝电解槽热平衡稳定的条件下尽量降低电解温度或初晶温度,可以实现铝电解生产过程节能的目的。
作为铝电解必不可少的原料之一——氧化铝,它的生产方法分为碱法、酸法(包括“一步酸溶法”)、酸碱联合法和热法,但目前工业上制取氧化铝大都是碱法。“一步酸溶法”提取的氧化铝作为电解铝的原料之一,由于制备方法的差别,酸法氧化铝的性质不同于传统碱法氧化铝,特别是比表面积不同引起的氟平衡不同,使传统碱法氧化铝的铝电解工艺系统并不完全适用于“一步酸溶法”氧化铝,因此,无法确定酸法氧化铝电解过程中氟化铝添加量的最优值。
发明内容
基于此,有必要针对现有技术存在的无法确定酸法氧化铝电解过程中氟化铝添加量的最优值的技术问题,提供一种酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备。
本发明提供一种酸法氧化铝电解过程中氟化铝添加量寻优方法,包括:
将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;
确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;
将所述最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度代入所述训练关系,得到满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;
根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量。
进一步的,所述确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度,具体包括:
将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,将得到最优电解质氟化铝过剩量和最优氧化铝浓度时的电解温度作为最优电解温度。
更进一步的,所述将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,具体包括:
将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的电解质氟化铝过剩量作为最优电解质氟化铝过剩量,将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的氧化铝浓度作为最优氧化铝浓度。
进一步的,所述根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量,具体包括:
再进一步的:
所述人工神经网络类型为采用三层神经网络结构且具有10神经元的前馈神经网络,所述人工神经网络的输入层的传递函数为logsig,隐含层的传递函数为tansig,输出层的传递函数为logsig,所述人工神经网络的网络训练函数为Levenberg-Marquardt函数;
所述遗传算法的种群大小为200,且采用随机的选择运算规则、采用散点法构成交叉矩阵、采用高斯法用于变异算子,所述遗传算法当迭代步数超过300步时,判定迭代结束或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
本发明提供一种用于酸法氧化铝电解过程中氟化铝添加量寻优的电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;
确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;
将所述最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度代入所述训练关系,得到满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;
根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量。
进一步的,所述确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度,具体包括:
将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,将得到最优电解质氟化铝过剩量和最优氧化铝浓度时的电解温度作为最优电解温度。
更进一步的,所述将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,具体包括:
将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的电解质氟化铝过剩量作为最优电解质氟化铝过剩量,将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的氧化铝浓度作为最优氧化铝浓度。
进一步的,所述根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量,具体包括:
再进一步的:
所述人工神经网络类型为采用三层神经网络结构且具有10神经元的前馈神经网络,所述人工神经网络的输入层的传递函数为logsig,隐含层的传递函数为tansig,输出层的传递函数为logsig,所述人工神经网络的网络训练函数为Levenberg-Marquardt函数;
所述遗传算法的种群大小为200,且采用随机的选择运算规则、采用散点法构成交叉矩阵、采用高斯法用于变异算子,所述遗传算法当迭代步数超过300步时,判定迭代结束或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
本发明通过人工神经网络确定酸法氧化铝电解过程的电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系,然后采用遗传算法寻优,并计算确定最优的氟化铝添加量,以用于在“一步酸溶法”铝电解生成中确定每个下料周期的氟化铝添加量。
附图说明
图1为本发明提供一种酸法氧化铝电解过程中氟化铝添加量寻优方法的工作流程图;
图2为本发明一种用于酸法氧化铝电解过程中氟化铝添加量寻优的电子设备的硬件结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
如图1所示为本发明提供一种酸法氧化铝电解过程中氟化铝添加量寻优方法的工作流程图,包括:
步骤S101,将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;
步骤S102,确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;
步骤S103,将所述最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度代入所述训练关系,得到满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;
步骤S104,根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量。
具体来说,步骤S101,将氧化铝电解生成或实验过程中所记录的足够多的历史数据输入到人工神经网络中进行训练;历史数据包括五个参数:电解温度、氟化铝过剩量、氧化铝浓度、电流效率和氟化铝单耗,其中前三个作为人工神经网络的输入量,后两个作为输出量;这样就获得了五个参数之间的训练关系。
然后,在步骤S102中,确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度。
最后,通过步骤S103计算出最优电流效率和最优氟化铝单耗,并在步骤S104中计算出氟化铝添加量。
本发明通过人工神经网络确定酸法氧化铝电解过程的电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系,然后采用遗传算法寻优,并计算确定最优的氟化铝添加量,以用于在“一步酸溶法”铝电解生成中确定每个下料周期的氟化铝添加量。
在其中一个实施例中,所述确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度,具体包括:
将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,将得到最优电解质氟化铝过剩量和最优氧化铝浓度时的电解温度作为最优电解温度。
基于步骤S101获得的人工神经网络,将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,找到特定电解温度下能够获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度。铝电解槽的电解温度是一个温度范围,一般取940-970℃,这个特定温度指的是在一个电解槽系统处于生产平稳状态下槽内电流效率最高,氧化铝电解效率最好时的温度。
在其中一个实施例中,所述将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,具体包括:
将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的电解质氟化铝过剩量作为最优电解质氟化铝过剩量,将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的氧化铝浓度作为最优氧化铝浓度。
具体来说,步骤S102基于步骤S101获得的人工神经网络,将电流效率最大化作为优化目标,并规定氟化铝单耗的可接受最大值,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,找到特定电解温度下能够获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度,同时满足一定的氟化铝单耗要求。
氟化铝添加剂对电解质成分的改变起着相当大的作用,对铝电解质温度产生显著影响。本实施例增加氟化铝单耗要求,以控制氟化铝添加量,优化电解质组成,达到节能降耗的目的,提高经济效益。
在其中一个实施例中,所述根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量之前,还包括:
保证当前的电解质组分最优。
具体来说,电解质体系包括以下组分:Na3AlF6,CaF2,MgF2,Al2O3,AlF3。当CaF2含量控制在2%~7%,MgF2含量控制在0%~2%,Al2O3含量控制在1%~5%,AlF3含量控制在5%~13%范围内,电解系统内电流效率和氟化铝单耗基本不变,即电解质组分最优,可获得最高电流效率和最优氟化铝单耗。即,电解质体系控制为:CaF2 2%~7%;MgF2 0%~2%;
Al2O3 1%~5%;AlF3 5%~13%;
其余为Na3AlF6。
在其中一个实施例中,所述根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量,具体包括:
在其中一个实施例中,所述预设倍率为4.2171。
具体来说:
其中,单位kg/t-Al的含义是每生产一吨金属铝所需要的氟化铝的量是多少千克。
在其中一个实施例中:
所述人工神经网络类型为采用三层神经网络结构且具有10神经元的前馈神经网络,所述人工神经网络的输入层的传递函数为logsig,隐含层的传递函数为tansig,输出层的传递函数为logsig,所述人工神经网络的网络训练函数为Levenberg-Marquardt函数;
所述遗传算法的种群大小为200,且采用随机的选择运算规则、采用散点法构成交叉矩阵、采用高斯法用于变异算子,所述遗传算法当迭代步数超过300步或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
具体来说,本发明所使用的人工神经网络的配置优选如下:
1)人工神经网络类型为前馈神经网络;
2)人工神经网络采用三层神经网络结构,为3输入,10神经元,2输出的3-10-2型;
3)输入层的传递函数选择logsig,隐含层选择tansig,输出层选择logsig;
4)网络训练函数选用Levenberg-Marquardt函数。
本发明所使用的遗传算法的配置优选如下:
1)遗传算法种群大小为200;
2)采用随机的选择运算规则;
3)采用散点法构成交叉矩阵;
4)采用高斯法用于变异算子;
5)当迭代步数超过300步或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
本发明“一步酸溶法”氧化铝电解过程中氟化铝添加量计算方法,其使用的核心算法人工神经网络和遗传算法都非常适于“一步酸溶法”氧化铝电解这样的困难问题,即该问题没有明确解析表达和高度非线性;且由于使用人工神经网络,本方法拥有自学习特性,能够根据不同的历史数据以及历史数据的不断输入不断修正五个参数之间的关系,使之能够紧密结合生产过程。
如图2所示为本发明一种用于酸法氧化铝电解过程中氟化铝添加量寻优的电子设备的硬件结构示意图,包括:
至少一个处理器201;以及,
与所述至少一个处理器201通信连接的存储器202;其中,
所述存储器202存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;
确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;
将所述最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度代入所述训练关系,得到满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;
根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量。
图2中以一个处理器202为例。
电子设备还可以包括:输入装置203和输出装置204。
处理器201、存储器202、输入装置203及显示装置204可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器202作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的酸法氧化铝电解过程中氟化铝添加量寻优方法对应的程序指令/模块,例如,图1所示的方法流程。处理器201通过运行存储在存储器202中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的酸法氧化铝电解过程中氟化铝添加量寻优方法。
存储器202可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据酸法氧化铝电解过程中氟化铝添加量寻优方法的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器202可选包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至执行酸法氧化铝电解过程中氟化铝添加量寻优方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可接收输入的用户点击,以及产生与酸法氧化铝电解过程中氟化铝添加量寻优方法的用户设置以及功能控制有关的信号输入。显示装置204可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器202中,当被所述一个或者多个处理器201运行时,执行上述任意方法实施例中的酸法氧化铝电解过程中氟化铝添加量寻优方法。
在其中一个实施例中,所述确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度,具体包括:
将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,将得到最优电解质氟化铝过剩量和最优氧化铝浓度时的电解温度作为最优电解温度。
在其中一个实施例中,所述将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,具体包括:
将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的电解质氟化铝过剩量作为最优电解质氟化铝过剩量,将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的氧化铝浓度作为最优氧化铝浓度。
在其中一个实施例中,所述根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量之前,还包括:
保证当前的电解质组分最优。
在其中一个实施例中,所述根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量,具体包括:
在其中一个实施例中,所述预设倍率为4.2171。
在其中一个实施例中:
所述人工神经网络类型为采用三层神经网络结构且具有10神经元的前馈神经网络,所述人工神经网络的输入层的传递函数为logsig,隐含层的传递函数为tansig,输出层的传递函数为logsig,所述人工神经网络的网络训练函数为Levenberg-Marquardt函数;
所述遗传算法的种群大小为200,且采用随机的选择运算规则、采用散点法构成交叉矩阵、采用高斯法用于变异算子,所述遗传算法当迭代步数超过300步或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
作为本发明最佳实施例,为了得到历史数据,采用常用添加剂的经验值,并结合“一步酸溶法”氧化铝的相关特性,制定“一步酸溶法”氧化铝电解实验方案。在实验条件中,设置了电解温度、氟化铝过剩量、氧化铝浓度三个变量。其中,电解温度采用工业常用值并兼顾电解质初晶温度,分别设为935℃、940℃、945℃、950℃、955℃;氟化铝过剩量分别选取5%、7%、9%、11%、13%;“一步酸溶法”氧化铝浓度分别选取1%、2%、3%、4%、5%;氟化镁和氟化钙的添加量采用工业常用值,分别占总体系的0.5%和5%;冰晶石在电解质中的占比情况则由电解质总质量除去氟化铝、氟化镁、氟化钙和氧化铝而定。利用正交实验设计给出25组实验的实验方案如表1所示。
表1
选取刚玉坩埚作为实验的反应装置,其直径D刚玉=98mm,高度H刚玉=200mm;用石墨作为阴阳两极,其中将阴极设计为D阴极=130mm,d阴极=99mm,h阴极=125mm的容器,使刚玉坩埚可完全放置其中;阳极为用石墨制成的D阳极=40mm,H阳极=60mm柱体,中心攻螺纹φ阳极=8mm,深度h阳极=40mm;将φ导杆=8mm,H导杆=75mm的不锈钢导杆一端旋至石墨阳极中,另一端固定在加热装置之上。
电解需在熔融状态下进行,所以实验时需先将电解质加热至熔融状态,并保证电解过程仍处于合适的温度范围内。本实验选取长沙科鑫炉业有限公司井式电阻炉和上海国龙仪器仪表厂TCW-32B系列智能化可编程温度控制仪来实现升温工序。氧化铝的电解需要对电解质通直流电,为此,采用中大业翔科技有限公司锂离子动力电池化成检测设备;为了解装置内的电解情况,实时监控槽内的电流电压,实验配备了槽控机一台,本实验采用的是中大业翔科技有限公司设计的AFC-III智能电解控制系统槽控机。
根据实验方案,对实验器材进行加工。
1)钻孔:为使电解质与阴极接触,需在刚玉坩埚底部中心位置钻出直径约为20mm的孔;
2)切割:加工厂造出的阳极导杆长度为150cm,为满足实验装置的要求,需将阳极导杆从中间截断成75cm的两截,并对截断处进行打磨,使表面平整;
3)组装:将切割好的阳极导杆拧入石墨阳极,完成实验装置阳极的组装;
4)烘干:所有实验试剂均需在实验前置于烘箱中加热并烘干24小时以上以保证实验的精度。
按照实验方案中的设计,实验分为八个步骤完成:
(1)将刚玉坩埚与石墨阴极放置于炉的中心位置,检查直流电源的正负极,保证正极接在上方连接阳极,负极接下方连接阴极,将阳极导杆固定在电阻炉上方,并将电源正极用螺母固定在阳极导杆上。
(2)将阳极导杆向下移动至刚玉坩埚底部,记录该位置的刻度,随后将阳极导杆提升出电解槽。
(3)按照表1中设计的数据进行配料,将实验试剂从烘箱中取出,按照相应的用量,分两次称装。配料后在配料坩埚中搅拌均匀,再将配好的料倒入刚玉坩埚中并压实。
(4)将装好试剂的刚玉坩埚放置于炉底,打开温控仪,设置升温及保温程序,开始升温,使电解质溶解。
(5)升温、保温过程约持续7小时,从开始运行温控仪时起计时,完成设定好的升温及保温程序后,开始电解。将石墨阳极下调至电解质中,根据实验要求,极距为4cm,故此时阳极的位置应为步骤(2)中刻度值再加4cm的值。完成以上操作后将炉顶用石棉盖实以达到保温效果。
(6)将槽控机的阳极夹在阳极导杆上,槽控机的阴极是接在井式炉的下方,连接电解装置的阴极,用网线连接电脑及槽控机,在电脑上打开程序。
(7)开启直流电源,输入相应电流值,运行该设备,开始进行电解程序。
(8)根据实际情况,计算电解时间为2小时,完成后,提升阳极导杆,使石墨阳极与电解质分离,关闭电源,等待实验装置自然冷却。
待实验装置自然冷却完成后,将坩埚从炉内取出,破开坩埚,取出电解出的铝块并装入密封袋中,并分别对电解后电解质的上中下三层进行取样、封装、标号,放置于储物架中,以便后期的取样送检。
每次实验过程中都有一名实验记录人员记录实验进行的情况,完成实验后对实验结果进行,整理入册,便于后期数据的统计及规律的得出。
以上为一次实验的完整过程。
将每次实验后的产铝进行称重以计算电流效率,并将电解质上、中、下三层的样品,分别研磨并混合均匀,采用XRF方法来测量实验后电解质中的氟元素含量,进而计算氟化铝的消耗量。
电流效率是单位时间电解产出铝的质量与按法拉第定律计算的理论产出量之比,即:
W理=0.3356It
式中:I为电流强度,A;t为时间,h;0.3356为Al的电化学当量。
“一步酸溶法”氧化铝是铝电解过程主要原料,它为电解质溶质,以碳素体作为阳极,铝液作为阴极,通入直流电后,在一定电解温度℃下,在电解槽内的两极上进行电化学反应,即电解,其化学反应方程为:
2Al2O3+3C=4Al+3CO2 (1)
氟化铝存在一定的消耗,其中氟化铝的水解反应是其消耗的重要原因。氟化铝作为铝电解生产过程中重要的添加剂,在电解槽内易起水解反应,对电解生产中的原料和能量有很大影响。在电解槽内的高温下,氟化铝和水作用发生如下反应:
2AlF3+3H2O=6HF+A12O3 (2)
已知初始时的电解质组成,可推导得到电解前的F元素总质量(g),记为X1:
已知获得的Al总产量(g),可由式(1)得到Al2O3消耗量(g),记为X2:
由于式(2)的化学反应,氟化铝会有消耗,其中的F元素质量(g)记为X3,又由XRF得到电解后电解质残余物的F元素含量(%),记为X4,则有以下关系:
求解式(5)即可得到消耗的F元素质量(g),可得到消耗的氟化铝质量(g),记为X5,进而推导出氟化铝单耗(kg/Al-t):
根据以上数据处理可以得到25组实验的电流效率和氟化铝单耗。将所有参数读入到人工神经网络中进行训练,得到的神经网络包含一套固定的权重节点,如表2所示。
表2训练后的人工神经网络权重矩阵
权重1对应电解温度(℃)输入,权重2对应氟化铝过剩量(%)输入,权重3对应氧化铝浓度(%)输入。
建立好的人工神经网络对氟化铝过剩量(%)与电流效率的预测关系(%)如图1所示。如图所示,氟化铝过剩量与电流效率约为二次方关系。氧化铝浓度为5%条件下,电流效率在氟化铝过剩量为10~11%之间存在极大值。对于其余条件,电流效率随着氟化铝过剩量单调递增,且增速放缓。
以电解温度为自变量,在满足氟化铝单耗不超过25kg/t-Al的约束条件的前提下,求出6个温度下能获得最高电流效率(%)的电解质组成,如表3所示。
表3训练后的人工神经网络权重矩阵
进行验证实验,测试氟化铝添加量计算方法的有效性。实验过程为:
1.在相同的电解设备上,在保证氟化铝单耗不高于25kg/t-Al的前提下,以最大化电流效率为原则,对给定935、940、945℃的电解温度条件下,采用表3中对应的最优电解质组成进行酸法氧化铝电解实验。实验条件表格列于表4。
表4验证实验设计参数
2.按原实验流程进行保温操作后,经过1小时的电解过程,此时,向电解槽内添加氟化铝和氧化铝,以维持电解槽内电解质组成平衡。添加量根据式(1)计算得出。
3.继续电解1小时后停止电解,称量铝的总产量,并计算电流效率。
三次验证实验结果整理、换算并列于表5。验证实验表明,采用基于人工神经网络和遗传算法的添加量控制模型,电流效率相对预测值有一定的提高,且能保证氟化铝单耗不高于25kg/t-Al。
表5验证实验结果
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种酸法氧化铝电解过程中氟化铝添加量寻优方法,其特征在于,包括:
将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;
确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;
将所述最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度代入所述训练关系,得到满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;
根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量。
2.根据权利要求1所述的酸法氧化铝电解过程中氟化铝添加量寻优方法,其特征在于,所述确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度,具体包括:
将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,将得到最优电解质氟化铝过剩量和最优氧化铝浓度时的电解温度作为最优电解温度。
3.根据权利要求2所述的酸法氧化铝电解过程中氟化铝添加量寻优方法,其特征在于,所述将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,具体包括:
将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的电解质氟化铝过剩量作为最优电解质氟化铝过剩量,将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的氧化铝浓度作为最优氧化铝浓度。
5.根据权利要求1~4任一项所述的酸法氧化铝电解过程中氟化铝添加量寻优方法,其特征在于:
所述人工神经网络类型为采用三层神经网络结构且具有10神经元的前馈神经网络,所述人工神经网络的输入层的传递函数为logsig,隐含层的传递函数为tansig,输出层的传递函数为logsig,所述人工神经网络的网络训练函数为Levenberg-Marquardt函数;
所述遗传算法的种群大小为200,且采用随机的选择运算规则、采用散点法构成交叉矩阵、采用高斯法用于变异算子,所述遗传算法当迭代步数超过300步时,判定迭代结束,或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
6.一种用于酸法氧化铝电解过程中氟化铝添加量寻优的电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将多个酸法氧化铝电解过程的历史电解温度、历史氟化铝过剩量、历史氧化铝浓度作为输入量,将对应的历史电流效率和历史氟化铝单耗作为输出量,通过人工神经网络进行训练,得到关于电解温度、氟化铝过剩量、氧化铝浓度与电流效率、氟化铝单耗的训练关系;
确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度;
将所述最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度代入所述训练关系,得到满足所述训练关系的电流效率为最优电流效率,满足所述训练关系的氟化铝单耗为最优氟化铝单耗;
根据最优电流效率和最优氟化铝单耗计算出氟化铝添加量。
7.根据权利要求6所述的电子设备,其特征在于,所述确定最优电解温度、最优电解质氟化铝过剩量、最优氧化铝浓度,具体包括:
将电流效率最大化作为优化目标,通过遗传算法对氟化铝过剩量和氧化铝浓度进行寻优,将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,将得到最优电解质氟化铝过剩量和最优氧化铝浓度时的电解温度作为最优电解温度。
8.根据权利要求7所述的电子设备,其特征在于,所述将获得最高电流效率的电解质氟化铝过剩量和氧化铝浓度分别作为最优电解质氟化铝过剩量和最优氧化铝浓度,具体包括:
将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的电解质氟化铝过剩量作为最优电解质氟化铝过剩量,将获得最高电流效率且满足预设氟化铝单耗的可接受最大值的氧化铝浓度作为最优氧化铝浓度。
10.根据权利要求6~9任一项所述的电子设备,其特征在于:
所述人工神经网络类型为采用三层神经网络结构且具有10神经元的前馈神经网络,所述人工神经网络的输入层的传递函数为logsig,隐含层的传递函数为tansig,输出层的传递函数为logsig,所述人工神经网络的网络训练函数为Levenberg-Marquardt函数;
所述遗传算法的种群大小为200,且采用随机的选择运算规则、采用散点法构成交叉矩阵、采用高斯法用于变异算子,所述遗传算法当迭代步数超过300步时,判定迭代结束或50步内最优个体的适应度的变化不超过给定最小值时,判定迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281316.7A CN109338414B (zh) | 2018-10-30 | 2018-10-30 | 酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281316.7A CN109338414B (zh) | 2018-10-30 | 2018-10-30 | 酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109338414A CN109338414A (zh) | 2019-02-15 |
CN109338414B true CN109338414B (zh) | 2020-09-29 |
Family
ID=65312516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811281316.7A Active CN109338414B (zh) | 2018-10-30 | 2018-10-30 | 酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109338414B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020190271A1 (en) * | 2019-03-16 | 2020-09-24 | General Electric Company | System and method for controlling of smelting pot line |
CN109949873B (zh) * | 2019-03-29 | 2023-03-31 | 中南大学 | 铝电解全流程氟物质流计算方法 |
CN110424027B (zh) * | 2019-08-28 | 2021-07-13 | 云南云铝润鑫铝业有限公司 | 一种降低铝电解生产过程氟化铝消耗的控制方法 |
CN111710368A (zh) * | 2020-07-02 | 2020-09-25 | 神华准能资源综合开发有限公司 | 一种计算铝电解质体系电导率的方法 |
CN112251777B (zh) * | 2020-09-30 | 2021-09-03 | 神华准能资源综合开发有限公司 | 氧化铝浓度控制方法、存储介质和电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2204629C1 (ru) * | 2001-12-28 | 2003-05-20 | Закрытое акционерное общество "ТоксСофт" | Способ управления технологическим процессом в алюминиевом электролизере |
CN100514055C (zh) * | 2006-08-30 | 2009-07-15 | 中国铝业股份有限公司 | 一种铝电解质中过剩氟化铝含量的分析方法 |
CN102373487A (zh) * | 2010-08-05 | 2012-03-14 | 中国铝业股份有限公司 | 一种预焙铝电解槽氟化盐添加控制方法 |
CN104451779B (zh) * | 2014-12-17 | 2017-01-18 | 湖南创元铝业有限公司 | 铝电解槽氟化铝控制方法 |
CN105404926B (zh) * | 2015-11-06 | 2017-12-05 | 重庆科技学院 | 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法 |
-
2018
- 2018-10-30 CN CN201811281316.7A patent/CN109338414B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109338414A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109338414B (zh) | 酸法氧化铝电解过程中氟化铝添加量寻优方法及电子设备 | |
US7731824B2 (en) | Measuring duct offgas temperatures to improve electrolytic cell energy efficiency | |
CN101109092A (zh) | 铝电解槽能量平衡控制方法 | |
Zhan et al. | Analysis and modeling of alumina dissolution based on heat and mass transfer | |
CN102817044A (zh) | 一种铝用电解质及其使用方法 | |
CN112210795B (zh) | 基于过热度的铝电解能量平衡调节方法、系统、铝电解槽 | |
CN109267108B (zh) | 一种铝铬合金的制备方法 | |
CN109295478B (zh) | 一种铝锰合金的制备方法 | |
HUT45102A (en) | Process for exact keeping low the aluminium oxide content by aluminium producing electrolitic smelting cells | |
CN216955917U (zh) | 一种铝电解槽炉帮熔析过程模拟装置 | |
AU2002352568B2 (en) | Maintaining molten salt electrolyte concentration in aluminium-producing electrolytic cell | |
CN106676224B (zh) | 菱镁矿基脱硫剂高温电解原位脱硫方法 | |
CN105803490B (zh) | 一种用于铝电解的电解质组合物 | |
WO2020190271A1 (en) | System and method for controlling of smelting pot line | |
RU2686408C1 (ru) | Способ электролитического получения алюминия | |
US7255783B2 (en) | Use of infrared imaging to reduce energy consumption and fluoride consumption | |
Rieck et al. | Increased current efficiency and reduced energy consumption at the TRIMET smelter Essen using 9 box matrix control | |
Cui et al. | The performance of aluminium electrolysis in a low temperature electrolyte system | |
CN112239873B (zh) | 一种铝电解工艺参数优化方法以及铝电解槽组 | |
NO304748B1 (no) | Fremgangsmaate for regulering og stabilisering av AlF3-innhold i en aluminiumelektrolysecelle | |
CN112210794B (zh) | 基于分子比的铝电解能量平衡调节方法、系统、铝电解槽 | |
CN116334694B (zh) | 一种基于过热度数据驱动的铝电解智能控制方法 | |
Haarberg et al. | Current efficiency for aluminium deposition from molten cryolite-alumina electrolytes in a laboratory cell | |
Haarberg | The current efficiency for aluminium deposition from molten fluoride electrolytes with dissolved alumina | |
Tabereaux et al. | Sodium in aluminum metal of operating prebake cells: confirmation and new findings |
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 |