CN110187378A - 用于鉴别中子和伽马的中子探测器及数据处理方法 - Google Patents
用于鉴别中子和伽马的中子探测器及数据处理方法 Download PDFInfo
- Publication number
- CN110187378A CN110187378A CN201910519412.9A CN201910519412A CN110187378A CN 110187378 A CN110187378 A CN 110187378A CN 201910519412 A CN201910519412 A CN 201910519412A CN 110187378 A CN110187378 A CN 110187378A
- Authority
- CN
- China
- Prior art keywords
- neutron
- plastic
- boron
- neutron detector
- gamma ray
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T3/00—Measuring neutron radiation
- G01T3/06—Measuring neutron radiation with scintillation detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
一种用于快中子、热中子及伽马射线鉴别的中子探测器及数据处理方法,中子探测器包括:对称的两个塑料闪烁体,两个塑料闪烁体中至少有一个塑料闪烁体为掺有硼和发光染料的塑料闪烁体;其中,掺有硼和发光染料的塑料闪烁体可俘获热中子释放特征伽马射线来标记热中子,以实现快中子、热中子及伽马射线的鉴别。基于该中子探测器,能够结合飞行时间方法和脉冲波形鉴别方法实现热中子、快中子和伽马射线的同时鉴别。将无监督自编码神经网络模型或有监督一维卷积神经网络应用于对中子探测器探测的波形数据进行处理,能够自动提取特征,无需事先构造特征变量,不依赖于任何脉冲的前沿定时方法,为数据的处理带来极大的方便。
Description
技术领域
本发明涉及中子探测领域,尤其涉及一种用于鉴别中子和伽马的中子探测器及数据处理方法。
背景技术
中子探测器广泛用于核安全、核防护以及中子谱仪的研发。中子产生时通常伴随着大量的伽马射线,为了能够高精度测量到中子的通量和能谱,需要从混合的辐射场当中鉴别中子和伽马。
基于中子闪烁探测器,从探测方法上可以分为飞行时间方法(TOF)和脉冲波形鉴别方法(PSD)。TOF基于粒子的不同的飞行速度可测量中子的能谱和通量,同时可以鉴别混合场中的快中子和伽马。不同种类的粒子PSD方法也可以独立鉴别伽马和中子,但是在PSD分布上热中子和快中子事例有重叠,而无法很好的进行区分快中子和热中子。两种方法联合起来可以鉴别中子和伽马,但是仍然很难鉴别热中子,这是由于热中子的飞行时间很长,需要打开很大的符合门宽,在高计数率情况下变得更加困难。
中子闪烁探测器从材料的角度可以分为固态的塑料闪烁体探测器和液体的闪烁体探测器,然而,液体闪烁体一般含有毒性,有安全隐患。并且,传统技术中,对中子闪烁探测器探测的波形数据进行处理时,需要事先构造特征变量,依赖于脉冲的前沿定时方法,数据处理过程复杂。因此,研发新型中子探测器及高效的数据处理方法,以同时鉴别快中子、热中子及伽马射线迫在眉睫。
发明内容
(一)要解决的技术问题
针对于上述技术问题,本发明提出一种用于鉴别中子和伽马的中子探测器及数据处理方法,用于现有的中子闪烁探测器无法同时鉴别快中子、热中子及伽马射线,且数据处理过程复杂的问题。
(二)技术方案
本发明一方面提出一种中子探测器,包括:对称的两个塑料闪烁体,两个塑料闪烁体中至少有一个塑料闪烁体为掺有硼和发光染料的塑料闪烁体;其中,掺有硼和发光染料的塑料闪烁体可俘获热中子释放特征伽马射线来标记热中子,以实现快中子、热中子及伽马射线的鉴别。
可选地,发光染料掺杂的比例大于15%。
可选地,硼的掺杂比例大于等于1%,其中,硼-10约占硼的19.8%。
可选地,发光染料掺杂为2,5-二苯基恶唑、9,10-二联苯蒽。
可选地,对称的两个塑料闪烁体之间的距离大于等于50cm,两者之间的距离可调。
可选地,对称的两个塑料闪烁体中一个为掺有硼和发光染料的塑料闪烁体,另一个为未掺硼和发光染料的塑料闪烁体。
可选地,掺有硼和发光染料的塑料闪烁体的厚度为3~4cm。
可选地,对称的两个塑料闪烁体均为掺有硼和发光染料的塑料闪烁体。
可选地,将中子探测器探测的中子源置于中子探测器的掺有硼和发光染料的塑料闪烁体一侧进行快中子、热中子及伽马射线的鉴别。
本发明另一方面提供一种用于鉴别中子和伽马射线的数据处理方法,包括:获取中子探测器探测的数字化波形数据,将数字化波形数据分为多路波形信号;对多路波形信号进行归一化处理;将归一化处理后的多路波形信号输入神经网络,实现中子和伽马射线事例的自动分类,其中,神经网络模型采用无监督自编码神经网络或有监督一维卷积神经网络,在中子和伽马射线事例的自动分类过程中无需构造特征变量。
(三)有益效果
本发明提出一种用于鉴别中子和伽马的中子探测器及数据处理方法,有益效果为:
1、中子探测器采用对称设计的两个塑料闪烁体,其中至少有一个塑料闪烁体为掺有硼和发光染料的塑料闪烁体,通过掺硼,使得中子和硼核反应产生特征伽马射线,标记热中子,通过掺发光染料,使得塑料闪烁体具有脉冲波形的鉴别能力,能够结合飞行时间方法和脉冲波形鉴别方法基于该探测器实现热中子、快中子和伽马射线的同时鉴别。
2、基于无监督自编码神经网络模型或有监督一维卷积神经网络模型对中子探测器探测的数字化波形数据进行后期处理,能够自动提取特征,无需事先构造特征变量,不依赖于任何脉冲的前沿定时方法,实现中子和伽马射线事例的自动分类,为数据的处理带来极大的方便。
附图说明
图1示意性示出了本发明实施例两个塑料闪烁体均为掺有硼和发光染料塑料闪烁体的中子探测器结构图。
图2示意性示出了本发明实施例掺有硼和发光染料塑料闪烁体靠近中子源的中子探测器结构图。
图3示意性示出了本发明实施例未掺硼和发光染料塑料闪烁体靠近中子源的中子探测器结构图。
图4示意性示出了本发明实施例图1所示中子探测器的预期实验结果图。
图5示意性示出了本发明实施例图2所示中子探测器的预期实验结果图。
图6示意性示出了本发明实施例图3所示中子探测器的预期实验结果图。
图7示意性示出了本发明实施例改变图3所示中子探测器两个对称塑料闪烁体间距的实验结果图。
【附图标记】
1-掺有硼和发光染料的塑料闪烁体
2-未掺硼和发光染料的塑料闪烁体
3-热中子对应实验结果
4-伽马射线对应实验结果
5-快中子对应实验结果
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明一方面提出一种中子探测器,该中子探测器包括:对称的两个塑料闪烁体,该两个塑料闪烁体中至少有一个塑料闪烁体为掺有硼和发光染料的塑料闪烁体,其中,掺有硼和发光染料的塑料闪烁体可俘获热中子释放特征伽马射线来标记热中子,以实现快中子、热中子及伽马射线的鉴别。如图1所示,对称的两个塑料闪烁体均为掺有硼和发光染料的塑料闪烁体。如图2及图3所示,对称的两个塑料闪烁体中一个为掺有硼和发光染料的塑料闪烁体,另一个为未掺硼和发光染料的塑料闪烁体。
进一步的,发光染料掺杂的比例大于15%,发光染料掺杂为2,5-二苯基恶唑(PPO)、9,10-二联苯蒽(DPA)等,本发明不加以限制。在本发明一实施例中,当PPO掺杂的比例大于15%的时候,使用脉冲波形鉴别方法能获得更好的中子和伽马的分离,PPO掺杂比例在30%的时,PSD方法可获得很好的伽马和中子的区分。
进一步的,硼的掺杂比例大于等于1%,其中,硼-10约占硼的19.8%。塑料闪烁体当中掺硼的比例会影响热中子的探测效率,硼-10的天然丰度大约19.8%,掺杂1%的自然硼,硼-10的含量大约为0.198%。
具体的,掺硼的塑料闪烁体可以俘获中子,核反应过程会以94%的几率发射特征伽马,通过探测伽马来实现热中子的探测。而Li-6的反应过程不发射特征伽马,因此选择掺硼。虽然目前已经有掺硼的普通塑料闪烁体,但是无法进行脉冲鉴别。本发明通过研究发现,当塑料闪烁体掺有特定染料时,具有脉冲波形的鉴别能力,此时基于该种探测器,即可结合飞行时间方法和脉冲波形鉴别方法实现热中子、快中子和伽马射线的同时鉴别。
当中子源靠近掺硼的塑料闪烁体,热中子被硼-10俘获,释放特征480-keV的伽马,特征伽马被对面的普通塑料闪烁体探测到。由于中子源都伴随有大量的伽马释放,该种类型的伽马可以被两个塑料闪烁体探测到,该类伽马在飞行时间谱当中是无法区分的,但是发生热中子的俘获反应的塑料闪烁体的脉冲和伽马探测的脉冲是不同的,可以通过脉冲波形法进行区分,因此结合飞行时间方法和脉冲波形鉴别两种方法,就可以实现热中子和伽马的鉴别。快中子和伽马可以直接通过飞行时间方法进行区分。脉冲波形鉴别法可以区分伽马和中子,但是无法区分快中子和热中子,由于本发明中,热中子的探测是通过特征伽马做标记探测的,飞行时间谱上属于伽马,二维的飞行时间方法和脉冲波形鉴别,可以完全实现热中子、快中子和伽马的完全区分。
进一步的,对称的两个塑料闪烁体之间的距离大于等于50cm,两者之间的距离可调。中子探测器的几何结构之所以采用对称设计,是因为对称设计使得无论中子源位于中子探测器的哪端,都可以测量到较好的反冲粒子事例,该种设计方式是基于同样的几何接受度的考虑。掺有硼和发光染料的塑料闪烁体的厚度为3~4cm,未掺硼和发光染料的塑料闪烁体的厚度根据粒子探测效率进行优化,具体不做限制。
在本发明一实施例中,对图1至图3所示中子探测器鉴别热中子、快中子和伽马的能力进行分析,预期实现结果如图4至图6所示。从图中可以看出,基于该中子探测器,结合飞行时间方法和脉冲波形鉴别方法可实现热中子、快中子和伽马射线的同时鉴别。并且针对于图2及图3所示的中子探测器,中子源置于中子探测器的掺有硼和发光染料的塑料闪烁体一侧进行快中子、热中子及伽马射线的鉴别,实现效果更好。
在本发明另一实施例中,中子探测器由两块塑料闪烁体组成,其中一个掺硼的PPO塑料闪烁体,该塑料闪烁体的厚度在3cm;另外一块塑料闪烁体为普通塑料闪烁体厚度4cm。两块塑料闪烁体的距离可以设计成可调模式,当两块塑料闪烁体中心距离设置为50cm时,可以清楚的看到反冲的粒子事例,实现热中子、快中子和伽马射线的同时鉴别。
在本发明又一实施例中,基于图3所示的中子探测器,在测量过程中,对两块塑料闪烁体进行调节,测试不同间距下的实现结果,如图7所示,从图中可以看出,当两个塑料闪烁体之间的间距大于50cm时,基于飞行时间的方法,可以清晰的看到反冲的粒子事例。
本发明另一方面提出一种用于鉴别中子和伽马射线的数据处理方法,包括:
获取中子探测器探测的数字化波形数据,将数字化波形数据分为多路波形信号。
对多路波形信号进行归一化处理。
将归一化处理后的多路波形信号输入神经网络,实现中子和伽马射线事例的自动分类,其中,神经网络模型采用无监督自编码神经网络或有监督一维卷积神经网络,在中子和伽马射线事例的自动分类过程中无需构造特征变量。
具体地,无监督自编码神经网络包括输入层神经元数目2520*2,隐藏层1神经元数目128,隐藏层2神经元数目2,隐藏层3神经元数目128,输出层神经元数目2520*2。
在数据获取时,每路光电倍增管输出一路波形信号,数字采样频率是1GHz/s,每个波形包含2520个采样点,总共四路波形数字化信号被记录;在数据处理时,将四路波形数字信号归一化到0到1之间,根据光电倍增管编号1-4依次排列,一个事例包含一行2520*4数值的数据。基于无监督自编码神经网络,对接收的数据进行处理,可以实现中子和伽马射线事例的自动分类。
一维卷积神经网络模型包括:卷积层输入2520*2,激活函数使用relu函数;平坦层,为了避免过拟合现象使用Dropout函数;全连接层1包含2048个神经元,全连接层2包含1024个神经元,全连接层3包含3个神经元作为输出层,使用softmax函数,它可以使输出的概率归一化。
在数据获取时,每路光电倍增管输出一路波形信号,数字采样频率是1GHz/s,每个波形包含2520个采样点,总共四路波形数字化信号被记录;在数据处理时,将四路波形数字信号归一化到0到1之间,根据光电倍增管编号1-4依次排列,一个事例包含一行2520*4数值的数据。训练好一维卷积神经网络模型,可以作为鉴别中子和伽马射线的算法判别器,其对接收的数据进行处理,实现中子和伽马射线的鉴别。该种一维卷积神经网络模型可软件部署,也可以固化到FPGA可编程逻辑门电路当中作为事例判选器。
将上述两种神经网络模型应用到快中子和伽马的鉴别当中,得到了优异的鉴别效果,其能够自动提取特征,无需事先构造特征变量,不依赖于任何脉冲的前沿定时方法,为脉冲数据的处理带来了极大的方便。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种中子探测器,其特征在于,包括:
对称的两个塑料闪烁体,所述两个塑料闪烁体中至少有一个塑料闪烁体为掺有硼和发光染料的塑料闪烁体;
其中,所述掺有硼和发光染料的塑料闪烁体可俘获热中子释放特征伽马射线来标记热中子,以实现快中子、热中子及伽马射线的鉴别。
2.根据权利要求1所述的中子探测器,其特征在于,所述发光染料掺杂的比例大于15%。
3.根据权利要求1所述的中子探测器,其特征在于,所述硼的掺杂比例大于等于1%。
4.根据权利要求1或2所述的中子探测器,其特征在于,所述发光染料掺杂为2,5-二苯基恶唑、9,10-二联苯蒽。
5.根据权利要求1所述的中子探测器,其特征在于,所述对称的两个塑料闪烁体之间的距离大于等于50cm,两者之间的距离可调。
6.根据权利要求1所述的中子探测器,其特征在于,所述对称的两个塑料闪烁体中一个为掺有硼和发光染料的塑料闪烁体,另一个为未掺硼和发光染料的塑料闪烁体。
7.根据权利要求6所述的中子探测器,其特征在于,所述掺有硼和发光染料的塑料闪烁体的厚度为3~4cm。
8.根据权利要求1所述的中子探测器,其特征在于,所述对称的两个塑料闪烁体均为掺有硼和发光染料的塑料闪烁体。
9.根据权利要求6所述的中子探测器,其特征在于,将所述中子探测器探测的中子源置于所述中子探测器的掺有硼和发光染料的塑料闪烁体一侧进行快中子、热中子及伽马射线的鉴别。
10.一种用于鉴别中子和伽马射线的数据处理方法,其特征在于,包括:
获取中子探测器探测的数字化波形数据,将所述数字化波形数据分为多路波形信号;
对所述多路波形信号进行归一化处理;
将归一化处理后的所述多路波形信号输入神经网络,实现中子和伽马射线事例的自动分类,其中,所述神经网络模型采用无监督自编码神经网络或有监督一维卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519412.9A CN110187378B (zh) | 2019-06-14 | 2019-06-14 | 用于鉴别中子和伽马的中子探测器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519412.9A CN110187378B (zh) | 2019-06-14 | 2019-06-14 | 用于鉴别中子和伽马的中子探测器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187378A true CN110187378A (zh) | 2019-08-30 |
CN110187378B CN110187378B (zh) | 2021-04-23 |
Family
ID=67721980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910519412.9A Active CN110187378B (zh) | 2019-06-14 | 2019-06-14 | 用于鉴别中子和伽马的中子探测器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187378B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505742A (zh) * | 2020-11-07 | 2021-03-16 | 成都理工大学工程技术学院 | 基于下降沿积分的数字n-γ甄别方法 |
CN114488261A (zh) * | 2022-01-13 | 2022-05-13 | 西南交通大学 | 基于lhaaso实验的低能量段伽马质子高能粒子鉴别方法 |
WO2023146495A3 (en) * | 2022-01-27 | 2023-08-31 | Osti̇m Tekni̇k Üni̇versi̇tesi̇ | A silicon-based radiation detection device |
WO2023166592A1 (ja) * | 2022-03-02 | 2023-09-07 | 三菱電機株式会社 | 学習装置および中性子計測装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081166A (zh) * | 2009-12-01 | 2011-06-01 | 同方威视技术股份有限公司 | 中子伽马探测装置及其探测方法 |
US20150028217A1 (en) * | 2013-07-26 | 2015-01-29 | Lawrence Livermore National Sercurity, LLC | Lithium-containing scintillators for thermal neutron, fast neutron, and gamma detection |
US20160102247A1 (en) * | 2014-10-10 | 2016-04-14 | Lawrence Livermore National Security, Llc | Plastic scintillators with high loading of one or more metal carboxylates |
CN106990429A (zh) * | 2017-05-19 | 2017-07-28 | 成都理工大学 | 一种γ、中子双射线能谱测量装置及测量方法 |
CN208580212U (zh) * | 2018-07-16 | 2019-03-05 | 中山大学 | 一种可同时探测伽马和中子的能谱型个人辐射探测仪 |
-
2019
- 2019-06-14 CN CN201910519412.9A patent/CN110187378B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081166A (zh) * | 2009-12-01 | 2011-06-01 | 同方威视技术股份有限公司 | 中子伽马探测装置及其探测方法 |
US20150028217A1 (en) * | 2013-07-26 | 2015-01-29 | Lawrence Livermore National Sercurity, LLC | Lithium-containing scintillators for thermal neutron, fast neutron, and gamma detection |
US20160102247A1 (en) * | 2014-10-10 | 2016-04-14 | Lawrence Livermore National Security, Llc | Plastic scintillators with high loading of one or more metal carboxylates |
CN106990429A (zh) * | 2017-05-19 | 2017-07-28 | 成都理工大学 | 一种γ、中子双射线能谱测量装置及测量方法 |
CN208580212U (zh) * | 2018-07-16 | 2019-03-05 | 中山大学 | 一种可同时探测伽马和中子的能谱型个人辐射探测仪 |
Non-Patent Citations (1)
Title |
---|
吴茂嘉等: "宽能谱高灵敏含硼塑料闪烁体探测器理论设计", 《核技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505742A (zh) * | 2020-11-07 | 2021-03-16 | 成都理工大学工程技术学院 | 基于下降沿积分的数字n-γ甄别方法 |
CN112505742B (zh) * | 2020-11-07 | 2022-08-26 | 成都理工大学工程技术学院 | 基于下降沿积分的数字n-γ甄别方法 |
CN114488261A (zh) * | 2022-01-13 | 2022-05-13 | 西南交通大学 | 基于lhaaso实验的低能量段伽马质子高能粒子鉴别方法 |
WO2023146495A3 (en) * | 2022-01-27 | 2023-08-31 | Osti̇m Tekni̇k Üni̇versi̇tesi̇ | A silicon-based radiation detection device |
WO2023166592A1 (ja) * | 2022-03-02 | 2023-09-07 | 三菱電機株式会社 | 学習装置および中性子計測装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110187378B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187378A (zh) | 用于鉴别中子和伽马的中子探测器及数据处理方法 | |
Fu et al. | Artificial neural network algorithms for pulse shape discrimination and recovery of piled-up pulses in organic scintillators | |
CN104536032B (zh) | 基于支持向量机的液体闪烁体探测器n/γ射线甄别方法 | |
US20070290136A1 (en) | Pulse shape discrimination method and apparatus for high-sensitivity radioisotope identification with an integrated neutron-gamma radiation detector | |
US7711661B2 (en) | System and method for resolving gamma-ray spectra | |
CN107390259A (zh) | 一种基于svd和svm的核素识别方法 | |
Ely et al. | Final technical report for the neutron detection without helium-3 project | |
US10078151B2 (en) | Method for detecting and identifying nuclear material in a container and radiation monitoring arrangement for conducting the method | |
US8194814B2 (en) | Detecting fission from special nuclear material sources | |
Luo et al. | Neutron/gamma discrimination employing the power spectrum analysis of the signal from the liquid scintillator BC501A | |
Bystritsky et al. | Stationary setup for identifying explosives using the tagged neutron method | |
Darby et al. | Multiplicity counting using organic scintillators to distinguish neutron sources: An advanced teaching laboratory | |
CN111239797B (zh) | 一种基于辐射粒子事件的采集器及快速核素识别方法 | |
Van Chuan et al. | A composite method for improving the pulse shape discrimination efficiency of a scintillation detector using EJ-301 liquid | |
EP3676640B1 (en) | Methods and systems for calibration of particle detectors | |
CN110781906B (zh) | 一种基于半监督支持向量机的n-γ甄别方法 | |
US20180336976A1 (en) | Scintillator-based neutron and gamma-ray dosimeter | |
CN1029706C (zh) | 检测炸药的方法和装置 | |
Balmer et al. | Neutron assay in mixed radiation fields with a 6Li-loaded plastic scintillator | |
Li et al. | Machine learning techniques for β/γ discrimination in phoswich detectors | |
Paepen et al. | Use of a CAEN digitiser for nuclear safeguards and security applications with a scintillator detector | |
Forsberg et al. | Peakseek: A statistical processing algorithm for radiation spectrum peak identification | |
Trieu et al. | RESEARCHING ALGORITHMS FOR PROCESSING GAMMA SPECTRUM OF PVT DETECTOR | |
CN118779713A (zh) | 基于γ辐射场数值矩阵分解的铀矿石品位分选方法 | |
Dang et al. | The application of digital signal processing method to develop an algorithm for neutron-gamma pulse shape discriminator |
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 |