CN109580917B - 一种用于预测石脑油的分子组成的方法 - Google Patents
一种用于预测石脑油的分子组成的方法 Download PDFInfo
- Publication number
- CN109580917B CN109580917B CN201710895114.0A CN201710895114A CN109580917B CN 109580917 B CN109580917 B CN 109580917B CN 201710895114 A CN201710895114 A CN 201710895114A CN 109580917 B CN109580917 B CN 109580917B
- Authority
- CN
- China
- Prior art keywords
- naphtha
- physical property
- matrix
- molecular
- matrix molecules
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000000704 physical effect Effects 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 13
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 13
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 16
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 6
- 150000001924 cycloalkanes Chemical class 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004821 distillation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 239000004215 Carbon black (E152) Substances 0.000 abstract description 7
- 229930195733 hydrocarbon Natural products 0.000 abstract description 7
- 150000002430 hydrocarbons Chemical class 0.000 abstract description 7
- 239000000178 monomer Substances 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- -1 substituent alkane Chemical class 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001833 catalytic reforming Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Immunology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
Abstract
本发明实施例提供一种用于预测石脑油的分子组成的方法，该方法包括：对于待测石脑油，确定该待测石脑油的物理特性的实验值；以及根据所述待测石脑油的物理特性的实验值以及预先确定的计算模型，计算所述待测石脑油的分子组成，其中所述计算模型包含预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系以及所述多个矩阵分子各自的碳数与含量之间的关系。本发明从大量的石脑油单体烃分析数据出发构建几种分子矩阵，避开了单个分子计算的复杂性，选择最具代表性的矩阵分子来表示石脑油的组成，分子类型和碳数的划分更加准确和全面；而且基于大量石脑油样本建立的宏观物理特性和矩阵分子的关联计算式，较人为设定的混合规则更加准确，实用性更强，预测效果更好。
Description
技术领域
本发明涉及石油化工领域，具体地涉及一种用于预测石脑油的分子组成的方法。
背景技术
石脑油是乙烯裂解和催化重整的重要原料之一。为了建立分子层面的反应动力学模型用以优化生产工艺，从分子水平优化原料选择，首先就需要确定石脑油的分子组成信息。所以，从常规物理特性快速获得石脑油的分子组成具有重要的意义。文献“石脑油的组成预测方法”(张利军,张永刚,王国清,等.石脑油的组成预测方法[J].化工进展,2011,30(2):278-283.)报道了一种预测石脑油分子组成的方法，其基本思路是：结合典型的石脑油分子组成数据和分子裂解反应性质，经过筛选和简化建立一个由32种真实组分组成的分子库，根据待测石脑油的相对密度、氢含量、PONA值及ASTM蒸馏曲线建立32个线性方程组，通过求解方程组来获得待测石脑油的分子组成数据。
发明内容
本发明实施例的目的是提供一种用于预测石脑油的分子组成的方法，其可提高预测结果的准确性。
为了实现上述目的，本发明实施例提供一种用于预测石脑油的分子组成的方法，该方法包括：对于待测石脑油，确定该待测石脑油的物理特性的实验值；以及根据所述待测石脑油的物理特性的实验值以及预先确定的计算模型，计算所述待测石脑油的分子组成，其中所述计算模型包含预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系。
可选的，根据所述待测石脑油的物理特性的实验值以及预先确定的计算模型计算所述待测石脑油的分子组成包括：根据所述预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系，以所述待测石脑油的物理特性的计算值与实验值的残差平方和作为目标函数，以变量归一化作为约束条件，求解所述待测石脑油内各个所述矩阵分子的含量。
可选的，所述待测石脑油的物理特性包含以下一者或多者：元素组成、蒸馏曲线数据、密度、特性因数K、以及相关指数CI。
可选的，所述多个矩阵分子包含碳数范围在4-11的以下一者或多者：正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A。
可选的，所述预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系被表示如下：
其中pi表示石脑油的第i个物理特性，xj为第j个矩阵分子的含量，aj为第j个矩阵分子的回归系数，bi为第i个物理特性回归的常数项。
可选的，以以下函数作为目标函数，求解所述待测石脑油内各个所述矩阵分子的含量；
其中，
其中，pie表示第i个物理特性的实验值，k为物理特性的总个数，pi表示石脑油的第i个物理特性的计算值，xj为第j个矩阵分子的含量，aj为对应对第j个矩阵分子的回归系数，bi为第i个物理特性回归的常数项。
另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述用于预测石脑油的分子组成的方法。
通过本发明所提供的预测石脑油的分子组成的方法，可预先收集一定数量的石脑油样品，用气相色谱仪测定其单体烃组成数据，并用常规方法测定需要的常规物理特性数据。对每个石脑油样品的单体烃数据按照碳数和分子类型进行归纳整理，得到矩阵分子的组成数据。以此为基础，分别构建各物理特性与矩阵分子的关联计算公式。对样品集的矩阵分子组成数据进行统计分析，以各矩阵分子的含量作为决策变量，确定各矩阵分子的含量的取值范围。通过以上操作，可完成计算模型的构建。之后，以待测石脑油的各物理特性的计算值与实验值的残差平方和作为目标函数，以矩阵分子的含量归一化为约束条件，通过优化计算得到石脑油内各个矩阵分子的含量分子组成。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1为本发明一实施例提供的用于预测石脑油的分子组成的方法的流程图；
图2为本发明另一实施例提供的用于预测石脑油的分子组成的方法的流程图；
图3a-3f分别为正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A的不同碳数分布数据的实验值和预测值的对比图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1为本发明一实施例提供的用于预测石脑油的分子组成的方法的流程图。如图1所示，本发明一实施例提供了一种用于预测石脑油的分子组成的方法，该方法包括：对于待测石脑油，确定该待测石脑油的物理特性的实验值，该实验值可根据待测物理特性所对应的测定方法来进行测定；以及根据所述待测石脑油的物理特性的实验值以及预先确定的计算模型，计算所述待测石脑油的分子组成，其中所述计算模型包含预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系。
以下介绍所述预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系的建立过程。
(1)收集一组有代表性的石脑油样品，样本数量例如可在100个以上。之后，利用气相色谱测定其单体烃组成数据，并测定其几项常规物理特性，该常规物理特性例如可包括元素组成、蒸馏曲线数据、密度、特性因数K、相关指数CI等数据。
(2)按照分子类型和碳数进行整理和集总，可考虑正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A这6种分子类型，碳数范围在4到11，共计得到39个矩阵分子的组成。
(3)以上述39个矩阵分子为变量，分别构建各物理特性与矩阵分子的关联计算式，按照下式进行回归计算：
其中pi表示石脑油的第i个物理特性，xj为第j个矩阵分子的含量，aj为对应对第j个矩阵分子的回归系数，bi为第i个物理特性回归的常数项。
各物理特性的回归系数可由偏最小二乘法(PLS)计算得到，如果某一物理特性数据和矩阵分子组成不符合线性关系，需要对其进行数学转换，变换为满足线性关系的数据后再进行回归计算。
其中，可对石脑油样品的矩阵分子的组成数据进行统计分析，以矩阵分子的含量作为决策变量，将所有样本中的各矩阵分子含量的最大值增加10％作为上限和最小值减去10％作为下限，以此作为待测石脑油各分子组成的取值范围，即解空间。当然，上述10％仅仅是示例性的，还可以根据需要选取其他值。
虽然以上以39个矩阵分子(正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A这6种分子类型，碳数范围在4到11)为例进行了说明，但本案并不限于，还采用上述6种分子类型中的一部分或者其他矩阵分子来建立计算模型。
在预先构建石脑油样品的物理特性与多个矩阵分子之间的关系之后，便可利用该预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系，并结合待测石脑油的物理特性的实验值，确定所述待测石脑油内各个所述矩阵分子的含量。
具体而言，图2为本发明另一实施例提供的用于预测石脑油的分子组成的方法的流程图。如图2所示，可以以待测石脑油的物理特性的计算值与实验值的残差平方和作为目标函数，变量归一化作为约束条件，求解所述待测石脑油内各个所述矩阵分子的含量。
将以下函数作为目标函数，求解所述待测石脑油内各个所述矩阵分子的含量；
其中，
其中，pie表示第i个物理特性的实验值，k为物理特性的总个数，pi表示石脑油的第i个物理特性的计算值，xj为第j个矩阵分子的含量，aj为对应对第j个矩阵分子的回归系数，bi为第i个物理特性回归的常数项。
上述带等式约束的非线性规划问题属于优化问题，可选取麦夸特迭代算法进行计算求解。由于其属于非凸优化问题，给予不同的初值会计算得出不同的分子组成计算结果，为了减少误差，提高计算的准确性，对于每个石脑油样品的各矩阵分子的含量给予不同的初值进行多次计算，最后将这些计算结果的平均值作为最终的分子组成预测值。可利用Matlab编程进行上述的优化计算。
通过本发明所提供的预测石脑油的分子组成的方法，可预先收集一定数量的石脑油样品，用气相色谱仪测定其单体烃组成数据，并用常规方法测定需要的常规物理特性数据。对每个石脑油样品的单体烃数据按照碳数和分子类型进行归纳整理，得到矩阵分子的组成数据。以此为基础，分别构建各物理特性与矩阵分子的关联计算公式。对样品集的矩阵分子组成数据进行统计分析，以各矩阵分子的含量作为决策变量，确定各变量的取值范围。通过以上操作，可完成计算模型的构建。之后，以待测石脑油的各物理特性的计算值与实验值的残差平方和作为目标函数，以矩阵分子的含量归一化为约束条件，通过优化计算得到石脑油内各个矩阵分子的含量分子组成。
本案从大量的石脑油单体烃分析数据出发构建几种分子矩阵，避开了单个分子计算的复杂性，选择最具代表性的矩阵分子来表示石脑油的组成，分子类型和碳数的划分更加准确和全面；而且基于大量石脑油样本建立的宏观物理特性和矩阵分子的关联计算式，较人为设定的混合规则更加准确，方法实用性更强，预测效果更好。
图3a-3f分别为正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A的不同碳数分布数据的实验值和预测值的对比图。如图3a-3f所示，通过将待测石脑油的物理特性的实验值输入至预先确定的计算模型(该计算模型为通过考虑上述39个矩阵分子而被建立的)，所得出的正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A的不同碳数分布的预测值与实验值相差并不大，可见本案所提供的用于预测石脑油分子组成的方法还比较准确的。
相应的，本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述预测石脑油的分子组成的方法。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
Claims (3)
1.一种用于预测石脑油的分子组成的方法，其特征在于，该方法包括：
对于待测石脑油，确定该待测石脑油的物理特性的实验值；
根据所述待测石脑油的物理特性的实验值以及预先确定的计算模型，计算所述待测石脑油的分子组成，其中所述计算模型包含预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系，
所述多个矩阵分子包含碳数范围在4-11的以下一者或多者：正构烷烃NP、单取代基烷烃MP、双取代基烷烃DP、三取代基烷烃TP、环烷烃N和芳烃A，
所述预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系被表示如下：
其中pi表示石脑油的第i个物理特性，xj为第j个矩阵分子的含量，aj为第j个矩阵分子的回归系数，bi为第i个物理特性回归的常数项
其中，根据所述待测石脑油的物理特性的实验值以及预先确定的计算模型计算所述待测石脑油的分子组成包括：
根据所述预先构建的石脑油样品的物理特性与多个矩阵分子之间的关系，以所述待测石脑油的物理特性的计算值与实验值的残差平方和作为目标函数；
以变量归一化作为约束条件，求解所述待测石脑油内各个所述矩阵分子的含量，
其中所述目标函数如下：
其中，pie表示第i个物理特性的实验值，k为物理特性的总个数。
2.根据权利要求1所述的方法，其特征在于，所述待测石脑油的物理特性包含以下一者或多者：元素组成、蒸馏曲线数据、密度、特性因数K、以及相关指数CI。
3.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述权利要求1-2中任一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710895114.0A CN109580917B (zh) | 2017-09-28 | 2017-09-28 | 一种用于预测石脑油的分子组成的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710895114.0A CN109580917B (zh) | 2017-09-28 | 2017-09-28 | 一种用于预测石脑油的分子组成的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109580917A CN109580917A (zh) | 2019-04-05 |
| CN109580917B true CN109580917B (zh) | 2021-09-07 |
Family
ID=65912625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710895114.0A Active CN109580917B (zh) | 2017-09-28 | 2017-09-28 | 一种用于预测石脑油的分子组成的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109580917B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BRPI0715886A2 (pt) * | 2006-08-24 | 2013-10-29 | Exxonmobil Res & Eng Co | Processo para modificar matriz de ganho modelo |
| CN104060975B (zh) * | 2014-06-24 | 2016-10-12 | 中国石油大学(北京) | 稠油燃烧过程中活化能的预测方法 |
| CN104834812B (zh) * | 2015-04-27 | 2018-04-20 | 华东理工大学 | 一种基于状态空间模型的乙烯裂解原料特性分析方法 |
-
2017
- 2017-09-28 CN CN201710895114.0A patent/CN109580917B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109580917A (zh) | 2019-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2699900B1 (en) | Prediction of refining characteristics of oil | |
| CN109815616B (zh) | 一种分子级加氢装置模拟及优化方法 | |
| EP2926131B1 (en) | Method for modelling the thermal breakpoint of a kerosene fraction | |
| CN108520111B (zh) | 一种基于正交成分最优选择与最优回归的软测量方法 | |
| CN112070356A (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
| CN109580918B (zh) | 一种用于预测石脑油的分子组成的方法 | |
| CN113051683A (zh) | 一种数控机床刀具寿命预测方法、系统、设备及存储介质 | |
| CN109507352B (zh) | 一种预测石化生产中任意流股分子组成的方法 | |
| CN108287474B (zh) | 基于原料不确定性的催化重整反应器鲁棒操作优化方法 | |
| CN110021377B (zh) | 加氢裂化催化剂的失活预测方法、装置和存储设备 | |
| CN109632691B (zh) | 一种原油精细物性的近红外快速分析方法 | |
| CN109580917B (zh) | 一种用于预测石脑油的分子组成的方法 | |
| CN115758163A (zh) | 石油馏分组成的检测方法、装置、设备和存储介质 | |
| CN113782112B (zh) | 一种石油馏分组成模型确定方法及装置 | |
| CN116029434A (zh) | 一种原料油及重馏分油中氢含量的预测方法及其系统 | |
| CN113643766A (zh) | 一种基于常规柴油检测手段构建柴油馏分分子库及预测柴油分子组成的方法 | |
| CN114974462A (zh) | 缓蚀效率预测模型的训练方法、装置、设备及存储介质 | |
| Yuan et al. | Layer-wise feature extraction approaches with deep PLS for quality prediction in industrial process | |
| CN117711519A (zh) | 一种石脑油分子组成的预测方法、系统及存储介质 | |
| Wei et al. | MDs-NP: a property prediction model construction procedure for naphtha based on molecular dynamics simulation | |
| US20220299951A1 (en) | Compositional property estimation models relating to processes and related methods | |
| CN115841852B (zh) | 一种催化重整反应规则的确定方法和装置 | |
| CN114841065A (zh) | 基于极限梯度提升树模型的原料油品分子表征方法及系统 | |
| Qu et al. | Adaptive multi‐surrogate‐based constrained optimization method and its application | |
| Chen et al. | Multimodality information fusion for aging pipe strength and toughness estimation using Bayesian networks |
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 |