CN113094991B - 一种利用地化热解谱图和机器学习计算原油密度的方法 - Google Patents

一种利用地化热解谱图和机器学习计算原油密度的方法 Download PDF

Info

Publication number
CN113094991B
CN113094991B CN202110384502.9A CN202110384502A CN113094991B CN 113094991 B CN113094991 B CN 113094991B CN 202110384502 A CN202110384502 A CN 202110384502A CN 113094991 B CN113094991 B CN 113094991B
Authority
CN
China
Prior art keywords
spectrogram
sample
crude oil
density
pyrolysis
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
Application number
CN202110384502.9A
Other languages
English (en)
Other versions
CN113094991A (zh
Inventor
梁海波
魏琪
杨海
李忠兵
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202110384502.9A priority Critical patent/CN113094991B/zh
Publication of CN113094991A publication Critical patent/CN113094991A/zh
Application granted granted Critical
Publication of CN113094991B publication Critical patent/CN113094991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种利用地化热解谱图和机器学习计算原油密度的方法，包括如下具体步骤：根据地化录井热解谱图，对谱图进行标准化处理；在标准化的谱图中提取谱图中原油的特征参数，其中特征参数包括不同时间段对应的面积大小、用谱图顶峰连线面积和谷底连线面积计算的样本降解度、最大峰出现的时间；依据提取不同密度下的地化热解谱图，建立训练样本集；通过机器学习模型对样本集进行训练，得到通过提取的谱图特征计算原油密度。本发明通过对地化热解谱图进行特征提取，依据地化热解谱图特征样本集建立机器学习模型，进而通过地化谱图计算原油样本密度。

Description

一种利用地化热解谱图和机器学习计算原油密度的方法
技术领域
本发明属于石油勘探技术领域，尤其涉及一种利用地化热解谱图和机器学习计算原油密度的方法。
背景技术
通过提高录井阶段时油气层的识别率，在钻头钻进时及时的识别油气层，通过判断油质类型为后续勘探施工作业提供技术支持，从而提供勘探施工作业效率。
利用录井技术识别、判断油气层一直是录井作业的技术难题，储集层原油性质的快速判断，对录井油气水解释、电缆测压取样、地层测试工具及工艺的选择、成藏模式研究有着重要作用。“地化录井”，是在油气地球化学、应用地球化学理论和实验室分析测试技术基础上发展起来的一项现场分析技术和实用方法。它是利用热分析和气相色谱分析方法，在钻探现场获取地下岩石中的地质信息和评价参数，解决录井过程中一些地质和地球化学问题，是近年来储层评价中全面推广的一项录井技术。
目前利用岩石热解挖掘原油性质方法有：
1.利用地化参数判断油质，目前仍停留在利用受多种因素影响较大PS、TPI、主峰碳等几个单项指标进行简单判断阶段。精度高、外界环境影响小的色谱数据及衍生参数没能充分利用。
2.利用地化参数判断油质，目前仍停留在利用受多种因素影响较大PS、TPI、主峰碳等几个单项指标进行简单判断阶段。精度高、外界环境影响小的色谱数据及其衍生参数没能充分利用。
3.当前方法在解释分析地化热解谱图时，没有对谱图信息挖掘充分，只做到定性分析，没有做到定量的分析，对谱图样本数据利用度不高。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，只做到定性没有做到定量，提供一种利用地化热解谱图和机器学习计算原油密度的方法，地化录井热解方法能以分子级精度分析组成石油的各类烃类的含量，通过对不同时间段烃类含量的分析以及样本降解度和最大峰出现时间的分析，对油质的密度进行快速计算。
本发明采用如下技术方案：
一种利用地化热解谱图和机器学习计算原油密度的方法，包括如下步骤：
根据分析地化热解谱图历史数据集，对谱图进行标准化处理；
根据标准化的谱图，在谱图中提取原油样本特征参数，其中特征参数包括不同时间段谱图对应的面积，以及用谱图顶峰连线面积和谷底连线面积比计算的样本降解度，参数还包括有最大峰出现的时间；根据提取不同油质样本建立训练样本集；根据样本集选取机器学习模型进行训练，从而得到原油密度计算模型。
其中，对谱图样本集进行标准化处理的步骤具体包括：
地化谱图样本集中样本来源于不同的场地及不同的设备，图片的大小及格式不一，规定了图片格式为jpg图片格式，规定图片大小为801*343；
根据谱图特征，将谱图中蓝色图谱曲线提取出来，依据提取出的图谱曲线对整个谱图进行灰度化处理，再对灰度化的谱图进行二值化处理；
通过二值化的图像提取相应的图谱的数据，横轴为时间，纵轴为幅值，针对不同设备下幅值不同的状况，将不同幅值进行归一化，实际幅值为y，谱图中最大幅值为ymax，最小幅值为ymin，归一化后的幅值为y’
Figure BDA0003014274170000021
其中，对标准化后的图谱进行特征提取的具体步骤包括：
根据热解过程，不同组分出峰的时间点不同，对整个谱图进行分6区，前后分区对样本密度影响不一，计算各分区面积，作为六个样本特征参数；
根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积S1、谷底连线与横轴面积S2、谱图曲线起始点及终止点连线面积S3，则样本降解度D为：
Figure BDA0003014274170000022
样本降解度计算后区间为0到1，样本降解度接近1说明鼓包严重，样本降解度高，反之样本降解度接近0则样本降解度低；
根据谱图最大峰出现的位置到最大峰出现位置的横坐标，作为样本特征参数之一。
其中，建立油质样本训练集的步骤具体包括：
收集凝析油、轻质油、中质油、重质油的试油样本共240，保证各样本比例均匀，依据提取谱图特征的步骤，提取谱图特征，样本标签为密度，建立样本集。
其中，通过训练机器学习模型得到依据地化热解谱图计算密度的步骤具体包括：
选取BP神经网络模型、多元线性拟合模型、以及GRNN广义回归神经网络模型，依据建立的样本集，对选取的模型进行训练；
对训练好的模型进行验证评估，模型精度不低于0.02，对已训练好的模型进行评估，选取满足精度且计算精度较好的模型作为最终计算密度的模型。
依据上述步骤，需计算的谱图经过标准化和归一化处理，依据所述特征提取步骤提取谱图特征参数，将其代入训练好的密度计算模型当中，从而得到该谱图的所对应原油样本的密度。
本发明的有益效果：
通过对不同时间段烃类含量的分析以及样本降解度和最大峰出现时间的分析，对油质的密度进行快速计算，与传统定制的方法相比，本方法解决的问题如下：
1.省去标定谱图各个峰对应组分的步骤，规避了标定峰组分的时间和误差，节省了人力。
2.针对已有方法只做定性的分析，本发明深度挖掘了谱图信息，对原油的密度进行了定量化解释。
本发明利用地化热解谱图和机器学习计算原油密度的方法，通过对地化录井的热解谱图进行标准化处理，得到图谱的特征参数，进而为建立样本集提供基础，利用建立的样本集训练密度计算模型，通过模型评估得到满足误差精度的模型，进而计算原油样本密度，从而直观、准确、快速地定量化评价油气层。本发明可及时为后续井筒作业中测井方法的选用、测试措施的制定及测试方案的选择提供科学依据。
附图说明
图1为本发明的步骤流程图；
图2为谱图不同时间段的分区表示,谱图对应样本试油密度为0.8554；
图3为计算样本降解度时的面积分割图，谱图对应样本试油密度为0.8554；
图4为模型误差对比图。
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，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明主要用于利用地化热解谱图和机器学习计算原油密度的方法，下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明的一种利用地化热解谱图和机器学习计算原油密度的方法包括以下步骤：
S1.对整理的谱图样本进行格式统一和标准化，不同设备的谱图幅值无标准，对谱图幅值进行归一化；
S2.对谱图进行步骤S1的处理后，提取谱图各分区面积、计算样本降解度和最大峰出现时间作为特征参数；
S3.收集凝析油、轻质油、中质油和重质油的样本谱图，提取谱图特征，建立热解谱图样本集；
S4.根据样本特征，选取不同的机器学习模型，对选取的模型使用S3中的样本集进行训练；
S5.依据S1-S3中的输入参数，代入计算模型，从而依据谱图得到所对应原油样本的密度。
下面结合具体实施例对本发明的应用原理作进一步的说明：
如图2所示，图2样本试油密度为0.8554，为轻质油，依照S1步骤先对谱图格式大小进行了标准化，然后将纵轴幅值进行了归一化，按照地化岩石热解图谱的原理，按照不同时间不同组分出峰次序的先后，对谱图进行分区，然后计算单独分区的面积作为输入参数，根据其原理，计算提取分区特征参数和密度的协方差，先后分区的面积大小与密度大小有着一定的关联性，如表1所示。
表1谱图分区面积与密度的关联性
谱图分区编号 谱图分区面积与密度关联性
1 0.27650128
2 0.625475003
3 0.763122874
4 0.891186143
5 0.714228577
6 0.570994301
如图3所示，根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积S1、谷底连线与横轴面积S2、谱图曲线起始点及终止点连线面积S3，则样本降解度D为：
根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积S1、谷底连线与横轴面积S2、谱图曲线起始点及终止点连线面积S3，则样本降解度D为：
Figure BDA0003014274170000051
样本降解度计算后区间为0-1，样本降解度接近1说明鼓包严重，样本降解度高，反之样本降解度接近0则样本降解度低；
如图4所示，选取不同学习模型时的准确度，对模型准确度进行评估，结果表明CRNN广义神经网络算法模型下，原油样本密度计算的准确度最高。
依据上述步骤，将需要计算的谱图经过标准化和归一化处理，依据所述特征提取步骤提取谱图特征参数，将其代入训练好的密度计算模型当中，从而得到该谱图的对应原油样本的密度为0.8542。
具体计算步骤如下：
首先.将需要计算的地化热解样本谱图采取上述标准化过程，将该标准化的样本幅值进行归一化；
然后.依据S2步骤，将处理过后的谱图提取特征参数，包括分区面积、样本降解度和最大峰的出峰时间。
最后.将特征参数代入S5选取的机器学习模型，继而得到该谱图所对应样本的密度为0.8542。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种利用地化热解谱图和机器学习计算原油密度的方法，其特征在于，包括如下具体步骤：
步骤1.根据分析地化热解谱图历史数据集，对谱图进行标准化处理；
步骤2.根据标准化的谱图，在谱图中提取原油样本特征参数，其中特征参数包括不同时间段谱图对应的面积，以及用谱图顶峰连线面积和谷底连线面积比计算的样本降解度，特征参数还包括有最大峰出现的时间；
步骤3.根据提取不同油质样本建立训练样本集；
步骤4.根据样本集选取机器学习模型进行训练，从而得到原油密度计算模型；
步骤5.根据步骤1-步骤3中提取到的特征作为输入参数，代入计算模型，从而依据谱图得到所对应原油样本的密度；
其中，步骤1中对谱图进行标准化处理具体包括，地化谱图样本集中样本来源于不同的场地及不同的设备，图片的大小及格式不一，规定了图片格式为jpg图片格式，规定图片大小为801*343；
根据谱图特征，将谱图中蓝色图谱提取出来，依据提取出的蓝色图谱对整个谱图进行灰度化处理，再对灰度化的谱图进行二值化处理；
通过二值化的图像提取相应的图谱的数据，横轴为时间、纵轴为幅值，针对不同设备下幅值不同的状况，将不同幅值进行归一化，实际幅值为y，谱图中最大幅值为ymax，最小幅值为ymin，归一化后的幅值为y＇
Figure FDA0003502017160000011
对标准化后的图谱进行提取原油样本特征参数具体步骤包括：
根据热解过程，不同组分出峰的时间点不同，对整个谱图进行分6区，前后分区对样本密度影响不一，计算各分区面积，作为六个样本特征参数；
根据谱图基线不同鼓包程度，计算峰顶连线与横轴面积S1、谷底连线与横轴面积S2、谱图曲线起始点及终止点连线面积S3，则样本降解度D为：
Figure FDA0003502017160000012
样本降解度计算后区间为0到1，样本降解度接近1说明鼓包严重，样本降解度高，反之样本降解度接近0则样本降解度低；
根据谱图最大峰出现的位置，得到最大峰出现位置的横坐标，作为样本特征参数之一。
2.根据权利要求1所述的利用地化热解谱图和机器学习计算原油密度的方法，其特征在于，步骤3中建立样本训练集的步骤具体包括：
收集凝析油、轻质油、中质油、重质油的试油样本共240，保证各样本比例均匀，依据提取谱图特征中的步骤，提取谱图步骤3所述的特征，样本标签为密度，建立样本集。
3.根据权利要求1所述的利用地化热解谱图和机器学习计算原油密度的方法，其特征在于，步骤4具体包括：
选取BP神经网络模型、多元线性拟合模型、以及GRNN广义回归神经网络模型，依据建立的样本集，对选取的模型进行训练；
对训练好的模型进行验证评估，模型精度不低于0.02，选取满足精度且计算精度较好的模型作为最终计算密度的模型。
CN202110384502.9A 2021-04-09 2021-04-09 一种利用地化热解谱图和机器学习计算原油密度的方法 Active CN113094991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384502.9A CN113094991B (zh) 2021-04-09 2021-04-09 一种利用地化热解谱图和机器学习计算原油密度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384502.9A CN113094991B (zh) 2021-04-09 2021-04-09 一种利用地化热解谱图和机器学习计算原油密度的方法

Publications (2)

Publication Number Publication Date
CN113094991A CN113094991A (zh) 2021-07-09
CN113094991B true CN113094991B (zh) 2022-03-29

Family

ID=76676063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384502.9A Active CN113094991B (zh) 2021-04-09 2021-04-09 一种利用地化热解谱图和机器学习计算原油密度的方法

Country Status (1)

Country Link
CN (1) CN113094991B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786569B (zh) * 2023-12-12 2024-05-24 中国科学院大学 一种污泥热解工艺智能控制方法及其应用

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1563981A (zh) * 2004-03-30 2005-01-12 大庆油田有限责任公司 多层混采原油分层产能贡献动态色谱监测方法
CN102374975A (zh) * 2010-08-19 2012-03-14 中国石油化工股份有限公司 一种利用近红外光谱预测油品物性数据的方法
CN103615243A (zh) * 2013-12-17 2014-03-05 中国海洋石油总公司 一种利用地化衍生参数图版判断油质类型的方法
CN106291733A (zh) * 2016-07-15 2017-01-04 西南石油大学 一种便携式石油检测器
CN108533254A (zh) * 2018-03-20 2018-09-14 盘锦中录油气技术服务有限公司 储层油气水层录井参数主控因素权重分析方法
CN111239176A (zh) * 2020-02-13 2020-06-05 西南石油大学 一种确定注气采油过程注入气扩散距离的测试装置及方法
CN112424277A (zh) * 2018-08-09 2021-02-26 株式会社大赛璐 乙酸纤维素组合物及成型体

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11156084B2 (en) * 2017-05-19 2021-10-26 Baker Hughes Holdings Llc Oil-Based Mud contamination estimate from physical properties
KR102073856B1 (ko) * 2018-05-28 2020-02-05 부경대학교 산학협력단 공정 모사를 위한 바이오 원유의 동시 모델링 및 복잡성 감소방법
CN111238997B (zh) * 2020-02-12 2021-07-27 江南大学 一种原油脱盐脱水过程的进料密度在线测量方法
CN111494988B (zh) * 2020-06-30 2020-09-29 汉谷云智(武汉)科技有限公司 基于深度学习的原油储罐切水方法及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1563981A (zh) * 2004-03-30 2005-01-12 大庆油田有限责任公司 多层混采原油分层产能贡献动态色谱监测方法
CN102374975A (zh) * 2010-08-19 2012-03-14 中国石油化工股份有限公司 一种利用近红外光谱预测油品物性数据的方法
CN103615243A (zh) * 2013-12-17 2014-03-05 中国海洋石油总公司 一种利用地化衍生参数图版判断油质类型的方法
CN106291733A (zh) * 2016-07-15 2017-01-04 西南石油大学 一种便携式石油检测器
CN108533254A (zh) * 2018-03-20 2018-09-14 盘锦中录油气技术服务有限公司 储层油气水层录井参数主控因素权重分析方法
CN112424277A (zh) * 2018-08-09 2021-02-26 株式会社大赛璐 乙酸纤维素组合物及成型体
CN111239176A (zh) * 2020-02-13 2020-06-05 西南石油大学 一种确定注气采油过程注入气扩散距离的测试装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
定量荧光谱图特征参数与原油物性相关性研究;王旭波等;《录井工程》;20061230;第17卷(第4期);29-33 *

Also Published As

Publication number Publication date
CN113094991A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
US7983885B2 (en) Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity
CN107701179B (zh) 一种基于常规测井资料的页岩气储层的可压性评价方法
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
CN109543915B (zh) 基于测井信息对全井段烃源岩总有机碳含量的识别方法
CN1896458B (zh) 导出井下流体的流体性质及其不确定度的系统和方法
CN113094991B (zh) 一种利用地化热解谱图和机器学习计算原油密度的方法
CN111502650B (zh) 一种利用气测衍生参数识别凝析气层的方法及其应用
CN106401579A (zh) 一种基于随钻多参数分析的油气水识别方法和系统
CN112145165B (zh) 一种微裂缝-孔隙型储层动静态渗透率转换方法
CN105064987B (zh) 利用随钻录井q参数进行水层识别的解释评价方法
CN104463686A (zh) 利用判别分析法随钻识别页岩气储层的方法
CN111827994B (zh) 利用气测全烃百分含量和烃组分湿度比解释砂岩油水层的方法
CN109031461A (zh) 碳酸盐岩孔隙型油气储层定量识别方法及区域定量化方法
CN109138986B (zh) 单位体积岩石含气率定量解释评价方法
CN110792425B (zh) 一种测量地层流体含水率的方法
CN111946337B (zh) 利用气测综合评价因子识别储层含油气性的方法
CN113720952B (zh) 用于储层解释评价的图版生成方法、装置、设备及介质
CN116413831A (zh) 多井合成地震记录自动标定及构造解释和储层预测方法
Damasceno et al. Source rock evaluation from rock to seismic: Integrated machine learning based workflow
CN111474585B (zh) 一种基于深度学习和岩石力学参数的气层识别方法
CN117592797B (zh) 一种基于录井烃类组分特征的潜山储层油气性质识别方法
CN103291279A (zh) 一种气测值微异常信号的优化方法
CN116029550A (zh) 一种井震一体化水平井地质导向风险评价方法
Rezaei et al. Fracture diagnostic testing
CN115324568A (zh) 一种定量判别湖相页岩油岩相的测井方法

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