CN111045084A - 基于预测特征提取的多次波自适应相减方法 - Google Patents

基于预测特征提取的多次波自适应相减方法 Download PDF

Info

Publication number
CN111045084A
CN111045084A CN202010013146.5A CN202010013146A CN111045084A CN 111045084 A CN111045084 A CN 111045084A CN 202010013146 A CN202010013146 A CN 202010013146A CN 111045084 A CN111045084 A CN 111045084A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
adaptive subtraction
calculation
filter
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
Application number
CN202010013146.5A
Other languages
English (en)
Other versions
CN111045084B (zh
Inventor
秦宁
梁鸿贤
王常波
葛大明
杨晓东
唐中力
王蓬
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.)
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
Original Assignee
China Petroleum and Chemical Corp
Geophysical Research Institute of Sinopec Shengli Oilfield Co
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 China Petroleum and Chemical Corp, Geophysical Research Institute of Sinopec Shengli Oilfield Co filed Critical China Petroleum and Chemical Corp
Priority to CN202010013146.5A priority Critical patent/CN111045084B/zh
Publication of CN111045084A publication Critical patent/CN111045084A/zh
Application granted granted Critical
Publication of CN111045084B publication Critical patent/CN111045084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/364—Seismic filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/30—Noise handling
    • G01V2210/32—Noise reduction
    • G01V2210/324—Filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种基于预测特征提取的多次波自适应相减方法，该基于预测特征提取的多次波自适应相减方法包括：步骤1，设置变量初始值；步骤2，构建卷积神经网络；步骤3，训练卷积神经网络；步骤4，利用训练的卷积神经网络提取预测多次波特征；步骤5，利用原始数据和预测多次波特征构建多次波自适应相减的数学模型和优化问题；步骤6，求解多次波自适应相减的匹配滤波器；步骤7，估计一次波。本发明利用预测多次波特征进行多次波自适应相减的方法能更好的均衡一次波的保护和多次波的分离，在保护一次波的同时，有效减少残余多次波。

Description

基于预测特征提取的多次波自适应相减方法
技术领域
本发明涉及油气勘探地震数据处理领域，特别是涉及到一种基于预测特征提取的多次波自适应相减方法。
背景技术
目前，地震勘探更加关注深部油气层等复杂构造油气区块，对地震的成像和反演精度提出更高的要求。一次波和多次波的分离效果对一次波或多次波成像和反演具有重要影响，二者分离方法的深入研究是地震勘探的前沿课题。
工业中通常采用预测相减法，如SRME(Surface Related Multiple Elimination)方法，分离一次波和多次波，其中自适应相减是二者分离的关键，如何有效均衡一次波的保护和多次波的分离是自适应相减的核心问题。常用的自适应相减方法可归结为一个线性回归问题，在时空域或变换域利用滤波器将预测多次波与原始数据进行直接匹配(拟合)来分离一次波和多次波。已有线性回归分析方法估计多次波的数学模型可归结为只进行卷积操作的神经网络。实际地震采集过程中存在的子波变化、羽角漂移、横测线倾角、有限偏移距等因素，使得预测多次波和真实多次波之间存在复杂的振幅、时间和空间等差异。线性回归分析方法估计的滤波器往往不能有效表达这些复杂差异。特别是在面向复杂地质构造勘探时，一次波和多次波会存在比较明显的相互交叉或重叠现象，此时线性回归分析方法中的直接匹配方式容易产生欠拟合而导致残余多次波，或产生过拟合而损伤一次波。改变已有方法中的直接匹配方式，有效消除预测多次波和真实多次波之间的复杂差异，对进一步提高一次波和多次波分离的精度具有重要意义。为此我们发明了一种新的基于预测特征提取的多次波自适应相减方法，解决了以上技术问题。
发明内容
本发明的目的是提供一种能更好的均衡一次波的保护和多次波的分离的基于预测特征提取的多次波自适应相减方法。
本发明的目的可通过如下技术措施来实现：基于预测特征提取的多次波自适应相减方法，该基于预测特征提取的多次波自适应相减方法包括：步骤1，设置变量初始值；步骤2，构建卷积神经网络；步骤3，训练卷积神经网络；步骤4，利用训练的卷积神经网络提取预测多次波特征；步骤5，利用原始数据和预测多次波特征构建多次波自适应相减的数学模型和优化问题；步骤6，求解多次波自适应相减的匹配滤波器；步骤7，估计一次波。
本发明的目的还可通过如下技术措施来实现：
在步骤1中，设置变量初始值，需要设置的初始值变量包括卷积神经网络的层数N，卷积神经网络第1层滤波器的大小m×m，卷积神经网络第2～(N-1)层滤波器的大小m×m×g，m表示卷积神经网络滤波器在水平方向和垂直方向的大小，g表示卷积神经网络滤波器在道集方向的大小，利用预测多次波特征进行自适应相减的数据窗口大小T×R，滤波器大小p×q，T表示自适应相减数据窗口在垂直方向的大小，R表示自适应相减数据窗口在水平方向的大小，p表示自适应相减滤波器在垂直方向的大小，q表示自适应相减滤波器在水平方向的大小。
在步骤2中，构建卷积神经网络，第1层包含2D卷积计算和Tanh非线性计算，其中2D滤波器实现2D卷积计算，非线性计算
Figure BDA0002356360550000021
x为输入元素，第2～(N-1)层包含3D卷积计算、BN归一化计算和Tanh非线性计算，其中3D滤波器实现3D卷积计算，归一化计算
Figure BDA0002356360550000022
E[x]表示求均值计算，Var[x]表示求方差计算，参数ε>0，第N层包含3D卷积计算。
在步骤3中，将预测多次波作为卷积神经网络的输入，原始数据作为相应标签，对卷积神经网络进行训练。
在步骤4中，将预测多次波输入到训练好的卷积神经网络中，输出第(N-1)层计算后的g个预测多次波特征，g表示预测多次波特征的道集个数。
在步骤5中，构建自适应相减的数学模型p＝s-Hx，其中p表示一次波构建的向量，s表示原始数据构建的向量，H表示预测多次波特征构建的褶积矩阵，x表示滤波器，构建优化问题
Figure BDA0002356360550000031
其中
Figure BDA0002356360550000032
表示通过最小化目标函数来求解未知向量x，α表示正则化参数，||a||1表示对向量a求L1范数，||a||2表示对向量a求L2范数。
在步骤6中，利用快速迭代收缩阈值算法求解优化问题中的滤波器x。
在步骤6中，估计一次波的公式为：p＝s-Hx。
构建并训练卷积神经网络是实现机器学习，特别是深度学习的重要手段。训练好的卷积神经网络能有效表达输入数据和标签之间的非线性映射关系，并可以利用训练好的网络进行预测，以达到信号/图像信噪比或分辨率提升的目的。另外，卷积神经网络具有强大的特征提取能力，可以估计输入数据的特征，并利用后续层的计算将前一层的特征表示变换到一个新的特征空间，这样通过组合低层特征能形成更加抽象的高层特征来提高预测精度。本发明中的基于预测特征提取的多次波自适应相减方法，针对地震勘探中的多次波压制，利用卷积神经网络提取预测多次波的特征，并采用匹配滤波器来将预测多次波特征与原始数据进行匹配，实现多次波自适应相减。相对于预测多次波本身，卷积神经网络提取的预测多次波特征能更好地与原始数据进行匹配。因此，相比于利用预测多次波本身进行自适应相减的传统方法，本发明利用预测多次波特征进行多次波自适应相减的方法能更好的均衡一次波的保护和多次波的分离。
附图说明
图1为本发明的基于预测特征提取的多次波自适应相减方法的一具体实施例的流程图；
图2为本发明的一具体实施例中卷积神经网络的结构的示意图；
图3为本发明的一具体实施例中原始数据(a)、预测多次波(b)、在原始数据中人为加入一个倾斜同相轴(c)和真实一次波(d)的示意图；
图4为本发明的一具体实施例中卷积神经网络提取的5个预测多次波特征的示意图；
图5为本发明的一具体实施例中多次波自适应相减估计的一次波的示意图；
图6为本发明的一具体实施例中相对于图5所压制掉的多次波的示意图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。
如图1所示，图1为本发明的基于预测特征提取的多次波自适应相减方法的流程图。
(1)设置变量初始值，需要设置的初始值变量包括卷积神经网络的层数N，卷积神经网络第1层滤波器的大小m×m，卷积神经网络第2～(N-1)层滤波器的大小m×m×g，m表示卷积神经网络滤波器在水平方向和垂直方向的大小，g表示卷积神经网络滤波器在道集方向的大小，利用预测多次波特征进行自适应相减的数据窗口大小T×R，滤波器大小p×q，T表示自适应相减数据窗口在垂直方向的大小，R表示自适应相减数据窗口在水平方向的大小，p表示自适应相减滤波器在垂直方向的大小，q表示自适应相减滤波器在水平方向的大小；
(2)构建卷积神经网络，第1层包含2D卷积计算和Tanh非线性计算，其中2D滤波器实现2D卷积计算，非线性计算
Figure BDA0002356360550000041
x为输入元素，第2～(N-1)层包含3D卷积计算、BN归一化计算和Tanh非线性计算，其中3D滤波器实现3D卷积计算，归一化计算
Figure BDA0002356360550000042
E[x]表示求均值计算，Var[x]表示求方差计算，参数ε>0，第N层包含3D卷积计算；
(3)将预测多次波作为卷积神经网络的输入，原始数据作为相应标签，对卷积神经网络进行训练；
(4)将预测多次波输入到训练好的卷积神经网络中，输出第(N-1)层计算后的g个预测多次波特征，g表示预测多次波特征的道集个数；
(5)构建自适应相减的数学模型p＝s-Hx，其中p表示一次波构建的向量，s表示原始数据构建的向量，H表示预测多次波特征构建的褶积矩阵，x表示滤波器，构建优化问题
Figure BDA0002356360550000051
其中
Figure BDA0002356360550000052
表示通过最小化目标函数来求解未知向量x，α表示正则化参数，||a||1表示对向量a求L1范数，||a||2表示对向量a求L2范数；
(6)利用快速迭代收缩阈值算法求解优化问题中的滤波器x。
(7)估计一次波p＝s-Hx。
在一实施例中，2D固定排列采集系统拥有43个炮点和检波点，炮点和检波点位置是一一对应的。每一道包含600个采样点，采样间隔是4毫秒。图2为构建的卷积神经网络，其中2D Conv表示2维褶积，Tanh表示Tanh非线性计算，3D Conv表示3维褶积，min L(θ)表示最小化目标函数L(θ)，θ表示网络参数。图3(a)中的原始共炮点道集包含一次波和多次波，图3(b)为预测多次波，图3(c)中包含一个人为加入的倾斜同相轴，该倾斜同相轴作为一次波，图3(d)为真实一次波。图4为卷积神经网络提取的5个预测多次波特征，图4(a)为卷积神经网络提取的第一个特征道集；(b)为卷积神经网络提取的第二个特征道集；(c)为卷积神经网络提取的第三个特征道集；(d)为卷积神经网络提取的第四个特征道集；(e)为卷积神经网络提取的第五个特征道集。图5(a)为本发明中方法估计的一次波，图5(b)为传统方法采用短滤波器时的一次波估计结果，图5(c)为传统方法采用长滤波器时的一次波估计结果。图6为相对于图5所压制掉的多次波。图6(a)为本发明中方法压制掉的多次波；(b)为传统方法采用短滤波器压制掉的多次波；(c)为传统方法采用长滤波器方法压制掉的多次波。图5(b)中的黑色箭头表明，传统方法会造成残余多次波。图6(c)中的白色箭头表明，传统方法会造成一次波损伤。横轴的Trace Number表示地震道集的道号，纵轴的Time(ms)表示时间(毫秒)。
相比于利用预测多次波本身进行自适应相减的传统方法，本发明利用预测多次波特征进行多次波自适应相减的方法能更好的均衡一次波的保护和多次波的分离，在保护一次波的同时，有效减少残余多次波。

Claims (8)

1.基于预测特征提取的多次波自适应相减方法，其特征在于，该基于预测特征提取的多次波自适应相减方法包括：
步骤1，设置变量初始值；
步骤2，构建卷积神经网络；
步骤3，训练卷积神经网络；
步骤4，利用训练的卷积神经网络提取预测多次波特征；
步骤5，利用原始数据和预测多次波特征构建多次波自适应相减的数学模型和优化问题；
步骤6，求解多次波自适应相减的匹配滤波器；
步骤7，估计一次波。
2.根据权利要求1所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤1中，设置变量初始值，需要设置的初始值变量包括卷积神经网络的层数N，卷积神经网络第1层滤波器的大小m×m，卷积神经网络第2～(N-1)层滤波器的大小m×m×g，m表示卷积神经网络滤波器在水平方向和垂直方向的大小，g表示卷积神经网络滤波器在道集方向的大小，利用预测多次波特征进行自适应相减的数据窗口大小T×R，滤波器大小p×q，T表示自适应相减数据窗口在垂直方向的大小，R表示自适应相减数据窗口在水平方向的大小，p表示自适应相减滤波器在垂直方向的大小，q表示自适应相减滤波器在水平方向的大小。
3.根据权利要求1所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤2中，构建卷积神经网络，第1层包含2D卷积计算和Tanh非线性计算，其中2D滤波器实现2D卷积计算，非线性计算
Figure FDA0002356360540000011
x为输入元素，第2～(N-1)层包含3D卷积计算、BN归一化计算和Tanh非线性计算，其中3D滤波器实现3D卷积计算，归一化计算
Figure FDA0002356360540000012
E[x]表示求均值计算，Var[x]表示求方差计算，参数ε>0，第N层包含3D卷积计算。
4.根据权利要求1所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤3中，将预测多次波作为卷积神经网络的输入，原始数据作为相应标签，对卷积神经网络进行训练。
5.根据权利要求1所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤4中，将预测多次波输入到训练好的卷积神经网络中，输出第(N-1)层计算后的g个预测多次波特征，g表示预测多次波特征的道集个数。
6.根据权利要求1所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤5中，构建自适应相减的数学模型p＝s-Hx，其中p表示一次波构建的向量，s表示原始数据构建的向量，H表示预测多次波特征构建的褶积矩阵，x表示滤波器，构建优化问题
Figure FDA0002356360540000021
其中
Figure FDA0002356360540000022
表示通过最小化目标函数来求解未知向量x，α表示正则化参数，||a||1表示对向量a求L1范数，||a||2表示对向量a求L2范数。
7.根据权利要求6所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤6中，利用快速迭代收缩阈值算法求解优化问题中的滤波器x。
8.根据权利要求7所述的基于预测特征提取的多次波自适应相减方法，其特征在于，在步骤6中，估计一次波的公式为：p＝s-Hx。
CN202010013146.5A 2020-01-06 2020-01-06 基于预测特征提取的多次波自适应相减方法 Active CN111045084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010013146.5A CN111045084B (zh) 2020-01-06 2020-01-06 基于预测特征提取的多次波自适应相减方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010013146.5A CN111045084B (zh) 2020-01-06 2020-01-06 基于预测特征提取的多次波自适应相减方法

Publications (2)

Publication Number Publication Date
CN111045084A true CN111045084A (zh) 2020-04-21
CN111045084B CN111045084B (zh) 2021-12-07

Family

ID=70243919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013146.5A Active CN111045084B (zh) 2020-01-06 2020-01-06 基于预测特征提取的多次波自适应相减方法

Country Status (1)

Country Link
CN (1) CN111045084B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327362A (zh) * 2020-10-30 2021-02-05 中国海洋大学 速度域的海底多次波预测与追踪衰减方法
CN113687414A (zh) * 2021-08-06 2021-11-23 北京大学 基于数据增广的卷积神经网络地震层间多次波压制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334482A (zh) * 2008-08-05 2008-12-31 中国海洋石油总公司 一种预测地震波中的多次波和一次波信号的方法
CN105277986A (zh) * 2015-05-27 2016-01-27 中石化石油工程地球物理有限公司胜利分公司 基于自适应匹配滤波算子的可控震源谐波压制方法
US20170023686A1 (en) * 2015-07-22 2017-01-26 Pgs Geophysical As Prediction and Subtraction of Multiple Diffractions
CN107390261A (zh) * 2017-06-27 2017-11-24 中国地质大学（武汉） 基于线性Bregman算法的表面多次波和子波估计方法及系统
CN109658344A (zh) * 2018-11-12 2019-04-19 哈尔滨工业大学（深圳） 基于深度学习的图像去噪方法、装置、设备和存储介质
AU2019101138A4 (en) * 2019-09-30 2019-10-31 Cheng, Shiyun MISS Voice interaction system for race games
CN110503608A (zh) * 2019-07-13 2019-11-26 贵州大学 基于多视角的卷积神经网络的图像去噪方法
CN110568485A (zh) * 2019-09-06 2019-12-13 广州海洋地质调查局 一种基于神经网络的多道地震连续记录分离方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334482A (zh) * 2008-08-05 2008-12-31 中国海洋石油总公司 一种预测地震波中的多次波和一次波信号的方法
CN105277986A (zh) * 2015-05-27 2016-01-27 中石化石油工程地球物理有限公司胜利分公司 基于自适应匹配滤波算子的可控震源谐波压制方法
US20170023686A1 (en) * 2015-07-22 2017-01-26 Pgs Geophysical As Prediction and Subtraction of Multiple Diffractions
CN107390261A (zh) * 2017-06-27 2017-11-24 中国地质大学（武汉） 基于线性Bregman算法的表面多次波和子波估计方法及系统
CN109658344A (zh) * 2018-11-12 2019-04-19 哈尔滨工业大学（深圳） 基于深度学习的图像去噪方法、装置、设备和存储介质
CN110503608A (zh) * 2019-07-13 2019-11-26 贵州大学 基于多视角的卷积神经网络的图像去噪方法
CN110568485A (zh) * 2019-09-06 2019-12-13 广州海洋地质调查局 一种基于神经网络的多道地震连续记录分离方法
AU2019101138A4 (en) * 2019-09-30 2019-10-31 Cheng, Shiyun MISS Voice interaction system for race games

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JING SUN，等: "A convolutional neural network approach to deblending seismic data", 《GEOPHYSICS》 *
于四伟，等: "基于深度学习的地震噪声压制", 《CPS/SEG北京2018国际地球物理会议暨展览电子论文集》 *
李钟晓，等: "基于多道卷积信号盲分离的多次波自适应相减方法", 《地球物理学报》 *
江金生，等: "基于卷积自编码器的地震随机噪声压制方法", 《中国石油学会2019年物探技术研讨会》 *
王钰清，等: "基于数据增广和CNN的地震随机噪声压制", 《地球物理学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327362A (zh) * 2020-10-30 2021-02-05 中国海洋大学 速度域的海底多次波预测与追踪衰减方法
CN112327362B (zh) * 2020-10-30 2021-11-23 中国海洋大学 速度域的海底多次波预测与追踪衰减方法
CN113687414A (zh) * 2021-08-06 2021-11-23 北京大学 基于数据增广的卷积神经网络地震层间多次波压制方法
CN113687414B (zh) * 2021-08-06 2022-07-22 北京大学 基于数据增广的卷积神经网络地震层间多次波压制方法

Also Published As

Publication number Publication date
CN111045084B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
Chen Fast dictionary learning for noise attenuation of multidimensional seismic data
Shi et al. Automatic salt-body classification using a deep convolutional neural network
Yang et al. Deep learning seismic random noise attenuation via improved residual convolutional neural network
Zhou et al. Spike-like blending noise attenuation using structural low-rank decomposition
Sun et al. Attenuation of marine seismic interference noise employing a customized U‐Net
Dong et al. Multiscale spatial attention network for seismic data denoising
Dong et al. Random and coherent noise suppression in DAS-VSP data by using a supervised deep learning method
CN111045084B (zh) 基于预测特征提取的多次波自适应相减方法
CN111368710A (zh) 一种联合深度学习的地震数据随机噪声压制方法
Ramirez et al. Salt body detection from seismic data via sparse representation
Si et al. Attenuation of random noise using denoising convolutional neural networks
CN113687414B (zh) 基于数据增广的卷积神经网络地震层间多次波压制方法
Li et al. A deep learning method for denoising based on a fast and flexible convolutional neural network
CN108983300B (zh) 一种隧道掘进机施工条件下的瞬变电磁隧道超前预报方法
Saad et al. Unsupervised deep learning for single-channel earthquake data denoising and its applications in event detection and fully automatic location
CN111856578A (zh) 张量深度自编码网络的宽方位叠前地震反射模式分析方法
CN113077386A (zh) 基于字典学习和稀疏表征的地震资料高分辨率处理方法
CN114966860A (zh) 一种基于卷积神经网络的地震数据去噪方法
Zhou et al. Deblending of simultaneous-source data using iterative seislet frame thresholding based on a robust slope estimation
Wang et al. Robust nonstationary local slope estimation
Yuan et al. Attenuation of linear noise based on denoising convolutional neural network with asymmetric convolution blocks
Wang et al. Attention-based neural network for erratic noise attenuation from seismic data with a shuffled noise training data generation strategy
CN114460648A (zh) 基于3d卷积神经网络自监督3d地震数据随机噪声压制方法
Lin et al. SeisGAN: Improving seismic image resolution and reducing random noise using a generative adversarial network
CN117406272A (zh) 一种快速多元信息约束的反褶积宽频处理方法及装置

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