CN110211244A - 一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法 - Google Patents
一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法 Download PDFInfo
- Publication number
- CN110211244A CN110211244A CN201910024255.4A CN201910024255A CN110211244A CN 110211244 A CN110211244 A CN 110211244A CN 201910024255 A CN201910024255 A CN 201910024255A CN 110211244 A CN110211244 A CN 110211244A
- Authority
- CN
- China
- Prior art keywords
- deposit
- volume elements
- feature
- image
- geology
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006798 recombination Effects 0.000 title claims abstract description 12
- 238000005215 recombination Methods 0.000 title claims abstract description 12
- 230000008520 organization Effects 0.000 title claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 5
- 239000003245 coal Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000033558 biomineral tissue development Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 210000002706 plastid Anatomy 0.000 claims 2
- 239000000155 melt Substances 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,包括基于矿床三维结构信息的地质体形态特征图像的构建,以及针对地质体形态特征图像的地质形态控矿特征深度网络。在研究成矿地质体形态展布对矿化空间定位的控制作用时,本发明通过建立矿床三维结构信息对深度卷积神经网络的重组织表达,利用深度神经网络建立矿床三维结构到成矿地质体形态控矿深层次特征及成矿后验概率的映射,同时避免直接将高维的矿床三维结构表达至深度网络带来的高资源开销与大数据依赖。
Description
技术领域
本发明属于隐伏矿体三维预测领域,尤其涉及地质体形态分析方法。
背景技术
矿体的形成和就位普遍受到成矿地质体的形态展布控制。因此,分析矿床三维结构信息,从成矿地质体三维模型中提取有利成矿的形态特征,获得有效的地质体形态控矿特征,已成为隐伏矿体三维预测的重要手段。然而,现有的地质体三维形态分析方法,难以有效提取反映地质体形态展布对矿化空间定位制约的深层次特征,严重影响了隐伏矿体三维预测的可靠性和准确性。
随着计算机技术和深度学习技术的发展,深度学习方法在机器学习和模式识别领域取得了较大成功,使得利用深度学习方法对矿体的形态控矿作用分析成为可能。但是,若直接将高维的矿床三维结构信息以体元模型形式输入深度网络进行隐伏矿体三维预测,将产生海量的待训练参数和难以接受的计算开销。
发明内容
本发明的目的是提供一种重组织方法,实现矿床三维结构信息对深度网络的重组织输入,并在深度网络中表达矿床的多地质体-多尺度-多特征的地质形态联合控矿作用。包括:基于矿床三维结构信息的地质体形态特征图像的构建,以及针对地质体形态特征图像的地质形态控矿特征深度网络。
为了实现上述技术目的,本发明的技术方案是,
一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,包括以下步骤:
步骤一,以Gi表示矿床成矿空间中已知的任一成矿地质体,组成集合{G1,…,Gk},计算Gi初级形态特征,并存储至表达Gi,1≤i≤k的体元之中;
步骤二,建立矿床三维结构的形态特征图像:
对目标体元v和集合{G1,…,Gk},确定Gi对目标体元v的控制区域Ωi,根据控制区域Ωi对图像空间Πi的映射关系,基于Ωi内体元的形态控矿潜在特征,对Πi上栅格属性赋值,建立集合{G1,…,Gk}在多个尺度下的形态特征多通道图像;
步骤三,构建表达地质体形态控矿作用的深度神经网络:
给定成矿空间中不同地质体在不同尺度下形态特征的多通道图像,构建以这种多通道图像为输入的深度神经网络,表达矿床三维结构中不同成矿地质体在不同成矿作用范围下对矿化空间定位的制约。
所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,所述的步骤一中,计算已知成矿地质体界面的曲率和形态起伏程度,以此作为成矿地质体的初级形态特征。
所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,所述的步骤二中,给定成矿空间中任一目标体元v及与其相关的成矿地质体集合{G1,…,Gk},对于集合中的Gi,首先寻找Gi表面所有体元中到v最近的体元,设其中心点为pi;然后构建过v中心点,且法向量方向与pi-v方向一致,边长为预设成矿作用范围L的正方形平面区域Πi,以此作为图像空间,并将此图像空间均匀地划分为多个正方形栅格区域;最后,计算Gi上各体元sij相对于区域Πi所在平面的深度dij:
沿方向-(pi-v),将Gi上的各体元sij正射投影至图像空间Πi所在的平面上,得到sij在该平面上的正射投影位置qij,对于正射投影位置qij落入图像空间区域Πi的所有体元的集合,则作为Gi对目标体元v的控制区域Ωi。;在此基础上,给定Πi上某栅格区域ruv,根据(1)式,寻找投影至ruv上所有体元中具有最小投影深度的体元将处所对应的多元形态特征以及距目标体元v的距离,赋给Πi上的栅格ruv,从而实现Gi三维形态特征及影响程度到图像空间Πi的映射;对{G1,…,Gk}中所有成矿地质体Gi均基于上述映射过程,在不同成矿作用范围L下,构建控制体元v的形态特征图像,以不同成矿地质体Gi,不同尺度为一个图像通道,建立形成集合{G1,…,Gk}在多个尺度下的形态特征多通道图像。
所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,所述的步骤三中,在神经网络的前端,针对不同地质体在不同尺度的形态特征图像,构建多个子网络,每个子网络采用AlexNet卷积神经架构;进一步,构建以同一地质体子网络输出结果为输入的全连接层,实现地质体在不同尺度下形态控矿特征的融合;在此基础上,以融合结果为输入,建立融合不同地质体形态控矿特征的全连接层,以提取地质体多尺度形态的联合控矿特征;最后,基于逻辑回归分类器的sigmoid函数,建立地质体多尺度形态的联合控矿特征到体元v成矿后验概率之间的映射,形成实现由形态特征多通道图像到成矿后验概率端到端训练和预测的深度神经网络。
本发明的技术效果在于,通过建立矿床三维结构信息对深度卷积神经网络的重组织表达,利用深度神经网络建立矿床三维结构到成矿地质体形态控矿深层次特征及成矿后验概率的映射,揭示成矿地质体形态展布对矿化空间定位的控制作用,同时避免直接将高维的矿床三维结构表达至深度网络带来的高资源开销与大数据依赖。
附图说明
图1为深度学习网络构建示意图。
具体实施方式:
本发明包括以下步骤:
(1)基于矿床三维结构信息的地质体形态特征图像
对目标体元v和成矿地质体集合{G1,…,Gk},首先确定成矿地质体Gi对目标体元的控制区域Ωi,然后实现控制区域Ωi对图像空间Πi的映射,基于此映射关系,根据Ωi内体元的形态控矿潜在特征对Πi上栅格属性赋值,建立地质体形态控矿潜在特征的多通道图像。
为确定对目标体元v的控制区域,首先寻找v到地质体Gi上的最近点pi,构建过v的矩形平面区域Πi,以此作为图像空间,且Πi满足法向量方向与pi-v方向相同,计算地质体Gi上各体元sij相对于平面区域Πi的深度dij:
将各体元sij沿-(pi-v)方向正射投影至区域Πi上,若投影位置qij落入Πi上某栅格区域ruv,根据式(1),寻找投影至ruv上所有体元中具有最小投影深度的体元以此作为地质体Gi对目标体元v的控制体元之一,体元的集合即作为地质体Gi对的目标体元v的控制区域Ωi。然后,以沿-(pi-v)方向正射投影作为控制区域Ωi到图像空间Πi的映射,将的形态描述特征和对目标体元v控制程度等指标,给Πi上栅格ruv的属性赋值。
为了反映不同尺度地质体形态的控制作用,通过采用不同的大小的投影平面区域Πi建立不同尺度控制区域的投影范围,经特征的投影映射和图像的上采样后,建立不同尺度的形态特征图像表达。
(2)针对地质体形态特征图像的地质形态控矿特征深度网络
针对不同的地质体和尺度,以不同地质体在不同尺度下的形态控矿潜在特征的多通道图像为输入,构建多个子网络。每个子网络采用AlexNet架构,ReLU激活函数和最大池化。为表达成矿空间中体元是否矿化是不同地质体在不同尺度下的联合作用的结果,进一步构建以每个地质体的多个子网络输出特征为输入的全连接融合子网络,实现地质体不同尺度下形态控矿特征的融合。然后以每个地质体的融合结果为输入,建立全连接层融合不同地质体的形态控矿特征,以表达地质体形态多层次多尺度联合控矿作用。最后,以全连接的方式建立输出层,输出每个体元的最终预测结果。上述深度学习网络构建如图1所示。
以下步骤描述矿床三维结构信息到地质体形态控矿深度网络的重组织方法实施,以安徽铜陵凤凰山铜矿床为例。控制凤凰山铜矿床的地质体是新屋里岩体,该岩体与围岩接触面的形态控制了矿床产出的形态和分布。除此之外,地层D3w亦对矿体定位具有控制作用。下面,以G1指代新屋里岩体,G2指代D3w地层。按以下步骤,实现成矿地质体G1和G2信息的重组织:
(1)分别提取地质体G1和G2表面的曲率、数学形态学特征,以获得地质体G1和G2的初级形态描述指标。
(2)定义矿床的成矿空间的体元模型,对体元模型的体元,分别计算体元到地质体G1和G2的最近距离,分别建立关于地质体G1和G2距离场,以表达地质体G1和G2的形态展布对成矿空间的影响程度。
(3)设置形态特征的图像映射尺度Li,本例取L0=200m,L1=400m,L2=800m,以实现3个不同尺度下的形态特征重组织。
(4)对成矿空间的所有体元,找出地质体G1距目标体元v最近的一点p1,过p1做法向量为p1-v的平面Π。平面上取以p1为中心,边长为Li的正方形区域,并将区域栅格化为227*227大小的栅格单元。
(5)对地质体上的各体元si,求其相对于平面Π的深度di:
将各体元si沿-(p1-v)方向正射投影至区域Π上,若投影位置q1i落入Π上某栅格区域ruv,根据式(1),寻找投影至ruv上所有体元中具有最小投影深度 的体元体元的集合即作为地质体G1对的目标体元v的控制区域Ω。然后,以沿-(p1-v)方向正射投影作为控制区域Ωi到图像空间Π的映射,将的形态描述特征和对目标体元v控制程度等指标,作为属性赋值给Π上的栅格。
(6)根据步骤(3)中所定义的图像映射尺度,对地质体G1重复步骤(4)-(5),直到获得所有映射尺度下的重组织图像为止,以表达地质体G1的形态展布在不同尺度下的控矿作用。
(7)针对地质体G2,按与G1一致的方式,重复步骤(4)-(6),以表达地质体G2在不同尺度下的形态控矿作用。
(8)对成矿空间中的所有体元,分别将其为目标体元v,执行步骤(4)-(7)。
(9)构建深度神经网络。首先建立6个子网络,每个子网络以地质体G1或G2在3个不同尺度下的形态特征图像为输入,每个子网络均采用经典AlexNet网络架构,并将输入层改为多通道图像,激活函数采用ReLU函数,池化层选择最大池化。对各子网络末端输出1000维特征,将同一个地质体在3个不同尺度下的特征采用全连接的方式进行融合为1000维的向量,从而表达单一地质体的深层次控矿特征。然后,将2个地质体的1000×2维控矿特征以全连接的方式进一步融合为1000维的向量,从而获得矿床三维结构中成矿地质体的深层次形态控矿特征。最后,将这1000维向量输入至分类器,获得到成矿后验概率的映射,从而通过深度卷积网络的训练,实现一种矿床三维结构信息到形态控矿特征学习深度网络的重组织。
Claims (4)
1.一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,其特征在于,包括以下步骤:
步骤一,以Gi表示矿床成矿空间中已知的任一成矿地质体,组成集合{G1,…,Gk},计算Gi初级形态特征,并存储至表达Gi,1≤i≤k的体元之中;
步骤二,建立矿床三维结构的形态特征图像:
对目标体元v和集合{G1,…,Gk},确定Gi对目标体元v的控制区域Ωi,根据控制区域Ωi对图像空间Πi的映射关系,基于Ωi内体元的形态控矿潜在特征,对Πi上栅格属性赋值,建立集合{G1,…,Gk}在多个尺度下的形态特征多通道图像;
步骤三,构建表达地质体形态控矿作用的深度神经网络:
给定成矿空间中不同地质体在不同尺度下形态特征的多通道图像,构建以这种多通道图像为输入的深度神经网络,表达矿床三维结构中不同成矿地质体在不同成矿作用范围下对矿化空间定位的制约。
2.根据权利要求1所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,其特征在于,所述的步骤一中,计算已知成矿地质体界面的曲率和形态起伏程度,以此作为成矿地质体的初级形态特征。
3.根据权利要求1所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,其特征在于,所述的步骤二中,给定成矿空间中任一目标体元v及与其相关的成矿地质体集合{G1,…,Gk},对于集合中的Gi,首先寻找Gi表面所有体元中到v最近的体元,设其中心点为pi;然后构建过v中心点,且法向量方向与pi-v方向一致,边长为预设成矿作用范围L的正方形平面区域Πi,以此作为图像空间,并将此图像空间均匀地划分为多个正方形栅格区域;最后,计算Gi上各体元sij相对于区域Πi所在平面的深度dij:
沿方向-(pi-v),将Gi上的各体元sij正射投影至图像空间Πi所在的平面上,得到sij在该平面上的正射投影位置qij,对于正射投影位置qij落入图像空间区域Πi的所有体元的集合,则作为Gi对目标体元v的控制区域Ωi°;在此基础上,给定Πi上某栅格区域ruv,根据(1)式,寻找投影至ruv上所有体元中具有最小投影深度的体元将处所对应的多元形态特征以及距目标体元v的距离,赋给Πi上的栅格ruv,从而实现Gi三维形态特征及影响程度到图像空间Πi的映射;对{G1,…,Gk}中所有成矿地质体Gi均基于上述映射过程,在不同成矿作用范围L下,构建控制体元v的形态特征图像,以不同成矿地质体Gi,不同尺度为一个图像通道,建立形成集合{G1,…,Gk}在多个尺度下的形态特征多通道图像。
4.根据权利要求1所述的一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法,其特征在于,所述的步骤三中,在神经网络的前端,针对不同地质体在不同尺度的形态特征图像,构建多个子网络,每个子网络采用AlexNet卷积神经架构;进一步,构建以同一地质体子网络输出结果为输入的全连接层,实现地质体在不同尺度下形态控矿特征的融合;在此基础上,以融合结果为输入,建立融合不同地质体形态控矿特征的全连接层,以提取地质体多尺度形态的联合控矿特征;最后,基于逻辑回归分类器的sigmoid函数,建立地质体多尺度形态的联合控矿特征到体元v成矿后验概率之间的映射,形成实现由形态特征多通道图像到成矿后验概率端到端训练和预测的深度神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024255.4A CN110211244B (zh) | 2019-01-10 | 2019-01-10 | 一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024255.4A CN110211244B (zh) | 2019-01-10 | 2019-01-10 | 一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211244A true CN110211244A (zh) | 2019-09-06 |
CN110211244B CN110211244B (zh) | 2020-10-27 |
Family
ID=67784953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910024255.4A Expired - Fee Related CN110211244B (zh) | 2019-01-10 | 2019-01-10 | 一种矿床三维结构信息到地质体形态控矿深度网络的重组织方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211244B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6011557A (en) * | 1995-09-19 | 2000-01-04 | Elf Aquitaine Production | Method for obtaining a representation of a geological structure |
CN107358654A (zh) * | 2017-06-19 | 2017-11-17 | 中国地质大学(武汉) | 基于多边形变形技术的剖面重构三维表面建模方法及系统 |
-
2019
- 2019-01-10 CN CN201910024255.4A patent/CN110211244B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6011557A (en) * | 1995-09-19 | 2000-01-04 | Elf Aquitaine Production | Method for obtaining a representation of a geological structure |
CN107358654A (zh) * | 2017-06-19 | 2017-11-17 | 中国地质大学(武汉) | 基于多边形变形技术的剖面重构三维表面建模方法及系统 |
Non-Patent Citations (3)
Title |
---|
李晓晖,袁峰,张明明 等: "《宁芜盆地白象山矿区人工神经网络三维成矿定位预测研究》", 《地址学报》 * |
李晓晖: "《隐伏矿体三维成矿定量预测及系统开发》", 《中国博士学位论文全文数据库基础科学辑》 * |
毛先成; 任佳; 潘诗辰; 张彬; 陈进; 邓浩: "《三维成矿信息提取方法与应用》", 《中国地质学会2015学术年会》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110211244B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101906965B (zh) | Vr地质环境下的地层识别与分析方法 | |
CN103454686B (zh) | 基于地层切片的小尺度沉积相进行储层预测的方法及系统 | |
CN109709603A (zh) | 地震层位识别与追踪方法、系统 | |
CN102901500A (zh) | 基于概率a星与智能体混合的飞行器最优路径确定方法 | |
CN102147479B (zh) | 一种储层空间物性参数的建模方法 | |
CN105844709A (zh) | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 | |
CN102521835B (zh) | 一种基于空间三维模板的点云数据树高提取方法 | |
CN102609982B (zh) | 空间地质数据非结构化模式的拓扑发现方法 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
Wang | Landscape design of coastal area based on virtual reality technology and intelligent algorithm | |
CN109979011B (zh) | 基于多源异构数据的平原地区三维地质模型建设方法 | |
CN110163213A (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN106920176B (zh) | 一种矿集区尺度矿产资源估算方法及系统 | |
CN105760581A (zh) | 一种基于osg的沟道流域整治规划仿真方法及系统 | |
CN116152461B (zh) | 地质建模方法、装置、计算机设备及计算机可读存储介质 | |
CN104504754A (zh) | 一种多点统计建模的方法及装置 | |
CN107766978A (zh) | 不规则井网的智能优化方法 | |
CN110097637A (zh) | 一种三维地质属性模型时空插值方法及系统 | |
CN102693328A (zh) | Arcview gis 3.2技术在山地建筑设计上的应用发明 | |
CN106355640A (zh) | 一种地上地下三维一体化空间的处理方法和系统 | |
Zhang et al. | Parameter fitting of variogram based on hybrid algorithm of particle swarm and artificial fish swarm | |
CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
CN104422969A (zh) | 一种减小电磁测深反演结果非唯一性的方法 | |
CN105654477B (zh) | 一种条带状地下目标的探测定位方法 | |
CN104977611B (zh) | 一种生物礁储层雕刻方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201027 |