CN109376933A - 基于神经网络的锂离子电池负极材料能量密度预测方法 - Google Patents

基于神经网络的锂离子电池负极材料能量密度预测方法 Download PDF

Info

Publication number
CN109376933A
CN109376933A CN201811276954.XA CN201811276954A CN109376933A CN 109376933 A CN109376933 A CN 109376933A CN 201811276954 A CN201811276954 A CN 201811276954A CN 109376933 A CN109376933 A CN 109376933A
Authority
CN
China
Prior art keywords
neural network
sample
training
network model
layer
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
Application number
CN201811276954.XA
Other languages
English (en)
Inventor
朱焱麟
向俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Dachao Technology Co.,Ltd.
Original Assignee
Chengdu Wisdom Data Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Wisdom Data Technology Co Ltd filed Critical Chengdu Wisdom Data Technology Co Ltd
Priority to CN201811276954.XA priority Critical patent/CN109376933A/zh
Publication of CN109376933A publication Critical patent/CN109376933A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开了一种基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，包括以下步骤：步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将分为测试集样本和训练集样本；步骤2：构建BP神经网络模型；步骤3：初始化BP神经网络模型的各项参数；步骤4：对BP神经网络模型进行训练，得到最佳的预测网络；步骤5：对BP神经网络模型的拟合度进行测试；步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。本发明可以很好的预测锂离子电池负极材料的能量密度，且过程快速稳定。

Description

基于神经网络的锂离子电池负极材料能量密度预测方法
技术领域
本发明涉及人工智能领域，具体提供一种基于神经网络的锂离子电池负极材料能量密度预测方法。
背景技术
锂电池负极材料能量密度是影响锂电池器件能量密度的关键指标，离子能量密度、电子能量密度决定了锂电池器件的倍率特性，是锂电池负极材料的性能好坏的重要指标。
锂电池负极材料的传统研发过程主要按照假设-验证的方式进行，通过大量的重复迭代实验，不断改变实验参数，从而使实验材料性能不断逼近目标材料。通过这种传统方式研究新材料，严重拖慢了高科技产业的发展步伐。每种新材料的研发要应用平均需要花费15年时间，已无法满足高科技产业发展对新材料的需求。
近年来出现了通过机器学习方法预测材料性质的技术，如逻辑回归模型、向量机模型，均已经获得初步成效。但是，上述技术常常出现以下缺陷：一、训练大量数据的时候，支持向量机模型对硬件设备的需求常常过大，低配置设备会导致模型无法训练。二、逻辑回归模型对数据要求高，训练结果容易欠拟合，分类精度不高。三、以上两种数学模型不具有普遍适用性，常用于预测特定的材料特定的性质。
因此，如何克服上述技术存在的问题，以快速、准确的预测锂电池负极材料能量密度是研发高性能锂离子电池负极的重中之重。
发明内容
本发明的目的在于克服上述缺陷，提供一种基于神经网络的锂离子电池负极材料能量密度预测方法，包括以下步骤：
步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将总样本集以1：9的比例随机划分为测试集样本和训练集样本；
步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含1个神经元；
步骤3：初始化BP神经网络模型的各项参数；
步骤4：利用现有的“输入-输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络；
步骤5：利用现有的“输入-输出”测试集样本数据对BP神经网络模型的拟合度进行测试；
步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。
进一步的，所述步骤1中采集724组材料数据，每组数据包含1个标签；对724组材料数据进行归一化处理后得到724组总样本集，将724组总样本集以1：9的比例随机划分为测试集样本和训练集样本。
所述步骤3中初始化BP神经网络模型的各项参数包括：将sigmoid函数作为激活函数、交叉熵作为损失函数、梯度下降法作为损失函数，采用高斯分布初始化权值和偏差，学习速率设置为0.0005，阈值设置为0.1、训练次数设置为3000次、训练步长设置为100。
所述步骤4中对BP神经网络模型进行训练具体包括以下步骤：在训练集样本数据中随机抽取训练步长个数的输入样本，在步骤3中初始化的参数条件下，初始时通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练集样本中的标签值，即可计算该次训练的人工神经网络模型对训练集样本的拟合度，并判断网络拟合度是否满足要求；当拟合度达到预设精度或训练次数大于设定的最大次数时，则结束训练；当拟合度未达到预设精度时，系统将误差反向传播，按照设定的学习速率对权值进行调整，并重复输入样本进行计算，直到满足要求或者达到设定的最大训练次数。
所述步骤5中对BP神经网络模型的拟合度进行测试具体包括以下步骤：将测试集样本作为输入样本，并在经过步骤4的训练调整之后的网络层连接权值及神经元阀值条件下，通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练样本中的标签值，即可计算出训练好的BP神经网络模型对测试集样本的拟合度。
本发明较现有技术相比，具有以下优点及有益效果：本发明可以很好的预测锂离子电池负极材料的能量密度，且过程快速稳定。
附图说明
图1为本发明的人工神经网络结构示意图。
图2为本发明的方法流程示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式并不限于此。
实施例
如图2所示，本发明的基于神经网络的锂离子电池负极材料能量密度预测方法，包括以下步骤：
步骤1：从材料数据库中采集724组材料数据，每组数据包含8个特征和1个标签值，对724组材料数据进行归一化处理后得到724组总样本集，将724组总样本集以1：9的比例随机划分为测试集样本和训练集样本。
具体的，所采集的材料数据包括材料的原子个数、密度、能带宽度、表面能、原子坐标字段，所采集的材料数据作为输入参量，本实施例中采集钛基类负极材料的数据。其中，8个特征作为人工神经网络的输入，标签值则为人工神经网络的输出。
步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成，如图1所示；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个特征输入的8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含标签值的1个神经元。其中，选择线性-对数形式的传递函数、Levenberg-Marguart训练函数以及梯度下降动量学习函数learngdm。
步骤3：创建好BP神经网络模型后，需为该网络模型选择适当的激活函数和学习算法，以激活整个网络的学习、反馈和最终的预测功能，因此需要初始化BP神经网络模型的各项参数。具体的，本实施例将sigmoid函数作为激活函数、交叉熵作为损失函数、梯度下降法作为损失函数，采用高斯分布初始化权值和偏差，学习速率设置为0.0005，阈值设置为0.1、训练次数设置为3000次、训练步长设置为100。
步骤4：在BP神经网络模型搭建好和各项参数初始化以后利用现有的“输入-输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络。BP神经网络模型的训练过程，是输入的变量正向计算与误差反向传播时各层中的权值矩阵不断反复地调整，使得拟合度高于要求精度的过程，其具体的训练方法如下：
在训练集样本数据中随机抽取训练步长个数的输入样本，在步骤3中初始化的参数条件下，初始时通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练集样本中的标签值，即可计算该次训练的人工神经网络模型对训练集样本的拟合度，并判断网络拟合度是否满足要求；当拟合度达到预设精度或训练次数大于设定的最大次数时，则结束训练；当拟合度未达到预设精度时，系统将误差反向传播，按照设定的学习速率对权值进行调整，并重复输入样本进行计算，直到满足要求或者达到设定的最大训练次数。在本实例中，BP神经网络模型训练经过了3000次后，达到了96％以上的训练集拟合度，说明本发明的人工神经网络模型收敛速度快，训练效果好。
步骤5：在BP神经网络模型搭建训练好以后，各项权重都有了确定的数值，利用现有的“输入-输出”测试集样本数据对BP神经网络模型的拟合度进行测试，具体的测试方法如下：将测试集样本作为输入样本，并在经过步骤4的训练调整之后的网络层连接权值及神经元阀值条件下，通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练样本中的标签值，即可计算出训练好的BP神经网络模型对测试集样本的拟合度。
步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。在本实施例中，将通过神经网络预测得到的负极材料能量密度和与实验测量得到的负极材料能量密度对比，预测值与真实值相同的准确率到达95.3％，由此可见本发明可以很好的预测锂离子电池负极材料的能量密度，且过程快速稳定。
如上所述，便可很好的实施本发明。

Claims (5)

1.基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，包括以下步骤：
步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将总样本集以1：9的比例随机划分为测试集样本和训练集样本；
步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含1个神经元；
步骤3：初始化BP神经网络模型的各项参数；
步骤4：利用现有的“输入-输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络；
步骤5：利用现有的“输入-输出”测试集样本数据对BP神经网络模型的拟合度进行测试；
步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。
2.根据权利要求1所述的基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，所述步骤1中采集724组材料数据，每组数据包含1个标签；对724组材料数据进行归一化处理后得到724组总样本集，将724组总样本集以1：9的比例随机划分为测试集样本和训练集样本。
3.根据权利要求2所述的基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，所述步骤3中初始化BP神经网络模型的各项参数包括：将sigmoid函数作为激活函数、交叉熵作为损失函数、梯度下降法作为损失函数，采用高斯分布初始化权值和偏差，学习速率设置为0.0005，阈值设置为0.1、训练次数设置为3000次、训练步长设置为100。
4.根据权利要求3所述的基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，所述步骤4中对BP神经网络模型进行训练具体包括以下步骤：在训练集样本数据中随机抽取训练步长个数的输入样本，在步骤3中初始化的参数条件下，初始时通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练集样本中的标签值，即可计算该次训练的人工神经网络模型对训练集样本的拟合度，并判断网络拟合度是否满足要求；当拟合度达到预设精度或训练次数大于设定的最大次数时，则结束训练；当拟合度未达到预设精度时，系统将误差反向传播，按照设定的学习速率对权值进行调整，并重复输入样本进行计算，直到满足要求或者达到设定的最大训练次数。
5.根据权利要求4所述的基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，所述步骤5中对BP神经网络模型的拟合度进行测试具体包括以下步骤：将测试集样本作为输入样本，并在经过步骤4的训练调整之后的网络层连接权值及神经元阀值条件下，通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练样本中的标签值，即可计算出训练好的BP神经网络模型对测试集样本的拟合度。
CN201811276954.XA 2018-10-30 2018-10-30 基于神经网络的锂离子电池负极材料能量密度预测方法 Pending CN109376933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811276954.XA CN109376933A (zh) 2018-10-30 2018-10-30 基于神经网络的锂离子电池负极材料能量密度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811276954.XA CN109376933A (zh) 2018-10-30 2018-10-30 基于神经网络的锂离子电池负极材料能量密度预测方法

Publications (1)

Publication Number Publication Date
CN109376933A true CN109376933A (zh) 2019-02-22

Family

ID=65390652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811276954.XA Pending CN109376933A (zh) 2018-10-30 2018-10-30 基于神经网络的锂离子电池负极材料能量密度预测方法

Country Status (1)

Country Link
CN (1) CN109376933A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942401A (zh) * 2019-11-21 2020-03-31 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN110956004A (zh) * 2019-12-03 2020-04-03 中国人民解放军军事科学院国防工程研究院工程防护研究所 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法
CN111488851A (zh) * 2020-04-17 2020-08-04 成都曙光光纤网络有限责任公司 一种水果产地的溯源检测方法、装置、设备及介质
CN112347697A (zh) * 2020-11-10 2021-02-09 上海交通大学 基于机器学习筛选锂硫电池中最佳载体材料的方法及系统
CN112381328A (zh) * 2020-12-02 2021-02-19 四川省第六建筑有限公司 一种基于多项特征的建筑工程分析方法
CN113130014A (zh) * 2021-04-23 2021-07-16 华东交通大学 一种基于多分支神经网络的稀土萃取模拟方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000048002A (ja) * 1998-07-31 2000-02-18 Natl Res Inst For Metals 鋼材の相変態図推定装置、鋼材の相変態図予測方法及び記録媒体
CN106058204A (zh) * 2016-07-29 2016-10-26 菏泽学院 磷酸铁锂动力电池负极材料及其制备方法
CN106599385A (zh) * 2016-11-11 2017-04-26 广东家易科技有限公司 一种新材料合成工艺的智能设计系统及方法
CN107092733A (zh) * 2017-04-06 2017-08-25 汕头大学 基于自动神经网络搜索的锂离子电池机械强度预测方法
CN107273559A (zh) * 2016-04-08 2017-10-20 纳米及先进材料研发院有限公司 锂离子电池阴极材料的设计和改性方法
US20180032663A1 (en) * 2016-08-01 2018-02-01 Samsung Electronics Co., Ltd. Method and apparatus for searching new material
CN107991615A (zh) * 2017-10-31 2018-05-04 合肥国轩高科动力能源有限公司 一种锂含量表征电池正极材料性能的方法
CN108399210A (zh) * 2018-02-02 2018-08-14 电子科技大学 一种用于锂电池的电解质材料筛选方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000048002A (ja) * 1998-07-31 2000-02-18 Natl Res Inst For Metals 鋼材の相変態図推定装置、鋼材の相変態図予測方法及び記録媒体
CN107273559A (zh) * 2016-04-08 2017-10-20 纳米及先进材料研发院有限公司 锂离子电池阴极材料的设计和改性方法
CN106058204A (zh) * 2016-07-29 2016-10-26 菏泽学院 磷酸铁锂动力电池负极材料及其制备方法
US20180032663A1 (en) * 2016-08-01 2018-02-01 Samsung Electronics Co., Ltd. Method and apparatus for searching new material
CN106599385A (zh) * 2016-11-11 2017-04-26 广东家易科技有限公司 一种新材料合成工艺的智能设计系统及方法
CN107092733A (zh) * 2017-04-06 2017-08-25 汕头大学 基于自动神经网络搜索的锂离子电池机械强度预测方法
CN107991615A (zh) * 2017-10-31 2018-05-04 合肥国轩高科动力能源有限公司 一种锂含量表征电池正极材料性能的方法
CN108399210A (zh) * 2018-02-02 2018-08-14 电子科技大学 一种用于锂电池的电解质材料筛选方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KYOUNGMIN MIN,BYUNGJIN CHOI,KWANGJIN PARK&EUNSEOG CHO: "Machine learning assisted optimization of electrochemical properties for Ni-rich cathode materials", 《NATURE》 *
M.ATTARIAN SHANDIZ,R.GAUVIN: "Application of machine learning methods for the prediction of crystal system of cathode materials in lithium-ion batteries", 《COMPUTATIONAL MATERIALS SCIENCE》 *
ROMAN A.EREMIN,PAVEL N.ZOLOTAREV,OLGA YU.IVANSHINA ETC: "Li(Ni,Co,Al)O2 Cathode Delithiation:A Combination of Topological Analysis,Density Functional Theory,Neutron Diffraction,and Machine Learning Techniques", 《THE JOURNAL OF PHYSICAL CHEMISTRY》 *
ZEESHAN AHMAD,TIAN XIE,CHINMAY MAHESHWARI,JEFFREY C.GROSSMAN: "Machine Learning Enabled Computational Screening of Inorganic Solid Electrolytes for Suppression of Dendrite Formation in Lithium Metal Anodes", 《ACS CENTRAL SCIENCE》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942401A (zh) * 2019-11-21 2020-03-31 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN110942401B (zh) * 2019-11-21 2023-12-19 黑龙江电力调度实业有限公司 一种电力物联网智能通讯方法
CN110956004A (zh) * 2019-12-03 2020-04-03 中国人民解放军军事科学院国防工程研究院工程防护研究所 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法
CN110956004B (zh) * 2019-12-03 2022-09-27 中国人民解放军军事科学院国防工程研究院工程防护研究所 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法
CN111488851A (zh) * 2020-04-17 2020-08-04 成都曙光光纤网络有限责任公司 一种水果产地的溯源检测方法、装置、设备及介质
CN112347697A (zh) * 2020-11-10 2021-02-09 上海交通大学 基于机器学习筛选锂硫电池中最佳载体材料的方法及系统
CN112381328A (zh) * 2020-12-02 2021-02-19 四川省第六建筑有限公司 一种基于多项特征的建筑工程分析方法
CN113130014A (zh) * 2021-04-23 2021-07-16 华东交通大学 一种基于多分支神经网络的稀土萃取模拟方法及系统

Similar Documents

Publication Publication Date Title
CN109376933A (zh) 基于神经网络的锂离子电池负极材料能量密度预测方法
CN109492287A (zh) 一种基于bp神经网络的固态电解质离子电导率预测方法
CN108038300B (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN110417011B (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN109543737A (zh) 一种基于fahp_fca组合赋权的信息系统健康度评估方法
CN110232434A (zh) 一种基于属性图优化的神经网络架构评估方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
Ning et al. GA-BP air quality evaluation method based on fuzzy theory.
KR101680055B1 (ko) 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법
CN108684058B (zh) 一种基于fahp-集成学习的lte小区负载评价方法
CN104656620A (zh) 重型机床再制造综合评价系统
CN112364560A (zh) 矿山凿岩装备作业工时智能预测方法
CN107392315A (zh) 一种优化大脑情感学习模型的方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
Gandomi et al. Intelligent modeling and prediction of elastic modulus of concrete strength via gene expression programming
Robati et al. Inflation rate modeling: Adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO)
CN112307536B (zh) 一种大坝渗流参数反演方法
CN107688702B (zh) 一种基于狼群算法的河道洪水流量演进规律模拟方法
CN102789594B (zh) 一种基于diva神经网络模型的语音生成方法
CN114692507A (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN114390582B (zh) 基站站址预测方法及装置
Mustafidah et al. The most optimal performance of the Levenberg-Marquardt algorithm based on neurons in the hidden layer
CN106911512A (zh) 在可交换图中基于博弈的链接预测方法及系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200717

Address after: 610000 Sichuan city of Chengdu province Tianfu Zheng Xing Shun Shing Street No. 172

Applicant after: CHENGDU YIDAO TECHNOLOGY PARTNERSHIP (L.P.)

Address before: 610000 Chengdu province high tech Zone (West) cooperation Road, No. 4, No. 17, building 1719, No. 89

Applicant before: CHENGDU IMCDATA TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210223

Address after: No. 88, Yingbin Avenue, Shouan Town, Pujiang County, Chengdu, Sichuan 610000

Applicant after: Chengdu Dachao Technology Co.,Ltd.

Address before: 610000 Shunsheng Road, Zhengxing Street, Tianfu New District, Chengdu City, Sichuan Province

Applicant before: CHENGDU YIDAO TECHNOLOGY PARTNERSHIP (L.P.)

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222