CN113325472A - 基于主成分分析的地震波场次成分提取方法 - Google Patents

基于主成分分析的地震波场次成分提取方法 Download PDF

Info

Publication number
CN113325472A
CN113325472A CN202110556418.0A CN202110556418A CN113325472A CN 113325472 A CN113325472 A CN 113325472A CN 202110556418 A CN202110556418 A CN 202110556418A CN 113325472 A CN113325472 A CN 113325472A
Authority
CN
China
Prior art keywords
seismic
wave field
data
matrix
principal component
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.)
Pending
Application number
CN202110556418.0A
Other languages
English (en)
Inventor
曹俊兴
王俊
何晓燕
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202110556418.0A priority Critical patent/CN113325472A/zh
Publication of CN113325472A publication Critical patent/CN113325472A/zh
Pending legal-status Critical Current

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. analysis, for interpretation, for correction
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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. analysis, for interpretation, for correction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data

Abstract

本发明公开了一种基于主成分分析的地震波场次成分提取方法，属于石油天然气勘探技术领域，所述方法包括：(1)综合利用地质、测井及合成地震记录资料准确标定目标层，获取对应的井旁地震道数据；(2)将所述地震数据进行自适应模态分解并按照矩阵形式写成m×n维样本矩阵；(3)对所述样本矩阵进行标准化处理并转化为对应的样本协方差矩阵，通过主成分分析获取地震数据的本征值及特征向量；(4)舍去抽取出高阶的主成分，然后重构地震数据，即获得反应地质介质属性微小变化的地震波场的次成分。本方法通过提取地震波场的次成分(储层弱地震响应特征)，能够为研究地质介质属性的微小变化提供可靠的基础，以期提高“三弱”天然气储层的识别精度。

Description

基于主成分分析的地震波场次成分提取方法
技术领域
本发明涉及石油地球物理勘探技术领域，具体是一种基于主成分分析的地震波场次成分提取方法，进而利用提取的地震波场次成分研究地质介质属性的微小变化。
背景技术
储层的含气性评价是天然气勘探的核心，目前大部分储层埋藏较深，地震响应特征微弱，孔隙流体响应微弱，储层与非储层差异微弱，导致天然气储层的含气性检测十分困难。储层的含油气性预测其本质是岩石孔隙流体属性与饱和度的判识与评价，储层孔隙流体的体积与质量只占储集层岩石的极小一部分，并且是填充在固态岩石骨架的孔隙中，地震响应非常微弱。地震记录如果对岩石孔隙流体变化有响应，只可能反映在地震事件的微细结构中，也就是说深埋储层孔隙流体地震响应如能被观测到，只可能体现为地震记录的微事件，反映在次、微成分中。
目前大部分研究者往往只关注反映地质介质属性的高阶主成分(主要特征向量)。但在实际应用中，即使主成分分量的特征值很高，也不能用它代表全部瞬时谱数据中的信息，而且在很多情况下，不能完全按主成分量确定其在具体解释中的价值，因为主成分虽然包含了绝大部分信息，但不一定都包含解释员最感兴趣(反映储层、油气特征的微弱(次、微成分)地震信息)的信息。反过来说，在特征值小的次成分中，虽然包含的原始数据的信息量少，但有可能正好包含了解释员想要突出的地质信息(反应地质介质属性微小变化的地震波场的次成分信息)。
为研究地质介质属性的微小变化，如岩石孔隙流体属性及其饱和度的变化，充分挖掘地震数据中的有效孔隙流体信息，提高地震勘探资料的利用率，必须提取、分析地震记录中的次成分。但是，如何从纷繁复杂的地震波场变化特征提取对我们有用的能够反映储层、油气特征的微弱(次、微成分)地震信息？
发明内容
为解决上述技术问题，本发明的目的是提供一种基于主成分分析的地震波场次成分提取方法。主成分分析是一种经典的特征提取方法，其理论和计算完善，应用领域十分宽泛。本发明目标是利用自动特征提取技术主成分分析方法从地震数据中提取包含有地质介质微细结构、微小属性变化的地震波场的次成分。它能够从纷繁复杂的地震波场变化特征中提取对我们有用的能够反映储层、油气特征的微弱(次、微成分)地震信息，以期为“三弱”天然气储层的准确识别天然气储层提供可靠的基础。
本发明的基于主成分分析的地震波场次成分提取方法，具体的步骤包括：
(1)综合利用测井、合成地震记录及地质信息准确标定地震道目标层；
(2)根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据；
(3)利用自适应噪声完整集成经验模态分解将步骤(2)中的获取的地震数据逐道分解为一系列本征模态函数；
(4)将获得的本征模态函数分量按照矩阵形式写成一个m×n维样本数据矩阵，如下：
Figure BDA0003077316960000021
其中，Sij表示第i个分量的第j个样点的分量地震数据；
(5)对所述样本矩阵进行标准化处理得到标准化处理后的样本矩阵；
(6)将所述标准化处理后的样本矩阵转化为样本协方差矩阵，然后通过主成分分析获取地震数据的本征值及特征向量；
(7)特征向量序列的选择：将所述样本协方差矩阵的所有本征值按降序排列，按降序排列后的本征值序列所对应的特征向量序列也呈降序排列，选择呈降序排列的特征向量序列中不同范围内的一组特征向量即可实现特征向量序列的选择；
(8)地震波场次成分提取：舍去反映地质介质属性的主要特征向量(抽取出高阶的主成分)，然后重构地震数据，即获得反应地质介质属性微小变化的地震波场的次成分。
所述步骤(3)中自适应噪声的完整集成经验模态分解是在集合经验模态分解和互补集合经验模态的基础上，提出的一种具有自适应噪声的完整集成经验模态分解方法。通过在每一次分解过程添加有限次的自适应高斯白噪声，通过计算唯一余量信号得到各个模态分量，分解过程完整，重构误差极低，可有效解决经验模态分解所产生的模态混叠问题，同时可以克服集合经验模态分解方法依赖增加集成次数而使重构误差降低的不足。
所述步骤(5)是这样实现的:
利用下面公式对所述样本矩阵S进行标准化处理得到标准化处理后的样本矩阵：
Figure BDA0003077316960000022
其中，样本均值
Figure BDA0003077316960000031
样本标准差
Figure BDA0003077316960000032
所述步骤(6)将所述标准化处理后的样本矩阵转化为样本协方差矩阵，是这样实现的，利用下式将标准化处理后的样本矩阵转化为样本协方差矩阵：
Figure BDA0003077316960000033
然后，基于下式获得地震数据的本征值及特征向量：
Figure BDA0003077316960000034
其中，协方差矩阵Cm×n的本征值λj，即对角矩阵Dm×n的值，矩阵Um×m的列向量ujk是相应的特征向量，
Figure BDA0003077316960000035
是Cm×n分解后产生的n阶正交矩阵。
所述步骤(6)将所述通过主成分分析获取地震数据的本征值及特征向量，具体的主成分分析方法的步骤如下：
假设有m组数据，每组数据有n个特征因子，从而可以建立一个m×n阶的矩阵如下：
Figure BDA0003077316960000036
其中式中：
Figure BDA0003077316960000037
然后对矩阵X进行线性转换，有以下n个新的组成变量F1，F2，...，Fn，表达式如下：
Figure BDA0003077316960000038
式中：F1，F2，...，Fn为原变量x1，x2，...，xn通过线性变换后形成的新变量，称之为第一成分，第二成，…，第n成分。并且公式中的aij需满足：
Figure BDA0003077316960000039
主成分系数aij需符合以下条件：
1、Fi与Fj(i≠j；i,j＝1,2,…,n)是相互独立的两个因子，且它们之间的协方差为0；
2、Var(F1)≥Var(F2)≥…≥Var(Fn)＞0。
第k个主成分的贡献率定义为：
Figure BDA0003077316960000041
第k个主成分的累计贡献率则定义为：
Figure BDA0003077316960000042
贡献率ak代表第k个主成分解释原始n个指标的信息量，而累积贡献率a(k)代表前面k个主成分解释原始指标的信息量。
确定主成分个数，目标是用较少的主成分提取更多的原始信息，取决于k和ak之间的权衡。一方面，应该使k尽可能小；另一方面使累积贡献率a(k)尽可能大。
所述步骤(7)中特征向量序列的选择，主成分累计贡献率取值越高，则主成分中包含的信息就越接近原始数据，在实际应用中具体选择那些主成分作为地震波场的主成分需要根据实际情况确定，其余成分作为地震波场的次成分。
所述步骤(8)中的地震波场次成分提取是这样实现的：对地震数据计算出其在步骤(7)选出的k个特征向量上的投影之和，所有投影之和构成了重构的地震数据S*，该重构的地震数据S*就是包含有地质介质微细结构、微小属性变化的地震波场的次成分。所述计算公式如下：
Figure BDA0003077316960000043
上式表示第j个分量Sj(t)在提取的特征向量ujk上的投影之和。
本发明的有益效果是：地震数据中高价分量主要反映区域构造及地层信息，利用主成份分析法根据实际情况去除主要反映区域地层信息的高阶分量后，便能提取出包含有地质介质微细结构、微小属性变化的地震波场的次成分(反映储层、油气特征的微弱(次、微成分)地震信息)。为研究地质介质属性的微小变化，如岩石孔隙流体属性及其饱和度的变化提供可靠的基础。
附图说明
图1基于主成分分析的地震波场次成分提取方法流程图。
具体实施方式
本发明公开了一种基于主成分分析的地震波场次成分提取方法，实际应用通过采用自适应噪声完整集成经验模态分解将地震数据分解为一系列本征模态函数，将获得的本征模态函数分量按照矩阵形式写成一m×n维样本数据矩阵，在对样本矩阵标准化处理的基础上，通过主成分分析法获得地震数据信息的本征值及特征向量，其中本征值的排列顺序指示了地震数据所包含信息成分的类别，基于储层地震反射响应特征，去除反映区域构造、地层信息的主要分量，完成样本矩阵在剩余特征向量上的投影即可获得反应地质介质属性微小变化的地震波场的次成分。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。技术实现流程如图1所示，具体步骤如下:
(1)综合利用测井、合成地震记录及地质信息准确标定地震道目标层；
(2)根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据；
(3)基于所述井旁地震道数据，利用自适应噪声完整集成经验模态分解将其逐道分解为一系列本征模态函数；
(4)将获得的本征模态函数分量按照矩阵形式写成一个m×n维样本数据矩阵，如下：
Figure BDA0003077316960000051
其中，Sij表示第i个分量的第j个样点的分量地震数据；
(5)对所述样本矩阵进行标准化处理得到标准化处理后的样本矩阵；
(6)将所述标准化处理后的样本矩阵转化为样本协方差矩阵，然后通过主成分分析获取地震数据的本征值及特征向量；
(7)特征向量序列的选择：将所述样本协方差矩阵的所有本征值按降序排列，按降序排列后的本征值序列所对应的特征向量序列也呈降序排列，选择呈降序排列的特征向量序列中不同范围内的一组特征向量即可实现特征向量序列的选择；
(8)地震波场次成分提取：舍去反映地质介质属性的主要特征向量(抽取出高阶的主成分)，然后重构地震数据，即获得反应地质介质属性微小变化的地震波场的次成分。
所述步骤(5)是这样实现的:
利用下面公式对所述样本矩阵S进行标准化处理得到标准化处理后的样本矩阵：
Figure BDA0003077316960000061
其中，样本均值
Figure BDA0003077316960000062
样本标准差
Figure BDA0003077316960000063
所述步骤(6)将所述标准化处理后的样本矩阵转化为样本协方差矩阵，是这样实现的，利用下式将标准化处理后的样本矩阵转化为样本协方差矩阵：
Figure BDA0003077316960000064
然后，基于下式获得地震数据的本征值及特征向量：
Figure BDA0003077316960000065
其中，协方差矩阵Cm×n的本征值λj，即对角矩阵Dm×n的值，矩阵Um×m的列向量ujk是相应的特征向量，
Figure BDA0003077316960000066
是Cm×n分解后产生的n阶正交矩阵。
所述步骤(7)中特征向量序列的选择，主成分累计贡献率取值越高，则主成分中包含的信息就越接近原始数据，在实际应用中具体选择那些主成分作为地震波场的主成分需要根据实际情况确定，其余成分作为地震波场的次成分。
所述步骤(8)中的地震波场次成分提取是这样实现的：对地震数据计算出其在步骤(7)选出的k个特征向量上的投影之和，所有投影之和构成了重构的地震数据S*，该重构的地震数据S*就是包含有地质介质微细结构、微小属性变化的地震波场的次成分。所述计算公式如下：
Figure BDA0003077316960000067
上式表示第j个分量Sj(t)在提取的特征向量ujk上的投影之和。
在实际应用中，即使第一主成分的特征值很高,也不能用它代表全部瞬时谱数据中的信息，而且在很多情况下，不能完全按主成分顺序(即特征值或贡献率大小)确定其在具体解释中的价值，因为前主成分虽然包含了绝大部分信息，但不一定都包含解释员最感兴趣(反映储层、油气特征的微弱(次、微成分)地震信息)的信息。反过来说，在特征值小的主成分中，虽然包含的原始数据的信息量少，但有可能正好包含了解释员想要突出的地质信息(反应地质介质属性微小变化的地震波场的次成分信息)。
利用本发明方法针对川西某勘探区域的井旁地震数据进行基于主成分分析的地震波场次成分提取，该方法能够从纷繁复杂的地震波场变化特征提取对我们有用的能够反映储层、油气特征的微弱(次、微成分)地震信息，提高地震勘探数据的烃类检测精度。
以上显示和描述描述了本发明专利的基本原理，主要特征和本发明专利的特点。本行业的技术人员应该了解，本发明专利不受上述实施例的限制，上述实施例和说明书中描述的只是本发明专利的原理，在不脱离本发明专利精神和范围的前提下，本发明专利还会有各种变化和改进，这些变化的改进都落入要求保护的本发明专利的范围内。

Claims (4)

1.一种基于主成分分析的地震波场次成分提取方法，其特征在于：所述方法包括以下步骤：
(1)综合利用测井、合成地震记录及地质信息准确标定地震道目标层；
(2)根据标定的目标层位，获取与所述目标层位对应的井旁地震道数据；
(3)利用自适应噪声完整集成经验模态分解将步骤(2)中获取的地震数据逐道分解为一系列本征模态函数；
(4)将获得的本征模态函数分量按照矩阵形式写成一个m×n维样本数据矩阵；
(5)对所述样本矩阵进行标准化处理得到标准化处理后的样本矩阵；
(6)将所述标准化处理后的样本矩阵转化为样本协方差矩阵，然后通过主成分分析获取地震数据的本征值及特征向量；
(7)特征向量序列的选择：将所述样本协方差矩阵的所有本征值按降序排列，按降序排列后的本征值序列所对应的特征向量序列也呈降序排列，选择呈降序排列的特征向量序列中不同范围内的一组特征向量即可实现特征向量序列的选择；
(8)地震波场次成分提取：舍去反映地质介质属性的主要特征向量(抽取出高阶的主成分)，然后重构地震数据，即获得反应地质介质属性微小变化的地震波场的次成分。
2.根据权利要求1所述的基于主成分分析的地震波场次成分提取方法，其特征在于，所述步骤(3)中自适应噪声完整集成经验模态分解是在集合经验模态分解和互补集合经验模态的基础上，提出的一种具有自适应噪声的完整集成经验模态分解方法。分解过程完整，重构误差极低，可有效解决经验模态分解所产生的模态混叠问题，同时可以克服集合经验模态分解方法依赖增加集成次数而使重构误差降低的不足。
3.根据权利要求1所述的基于主成分分析的地震波场次成分提取方法，其特征在于，所述步骤(7)中特征向量序列的选择，其中本征值的排列顺序指示了地震数据所包含信息成分的类别，具体选择那些特征向量进行重构需要根据实际情况确定。
4.根据权利要求1所述的基于主成分分析的地震波场次成分提取方法，其特征在于，所述步骤(8)中的地震波场次成分提取是这样实现的：对地震数据计算出其在步骤(7)选出的k个特征向量上的投影之和，所有投影之和构成了重构的地震数据S*，该重构的地震数据S*就是包含有地质介质微细结构、微小属性变化的地震波场的次成分。
CN202110556418.0A 2021-05-21 2021-05-21 基于主成分分析的地震波场次成分提取方法 Pending CN113325472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110556418.0A CN113325472A (zh) 2021-05-21 2021-05-21 基于主成分分析的地震波场次成分提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110556418.0A CN113325472A (zh) 2021-05-21 2021-05-21 基于主成分分析的地震波场次成分提取方法

Publications (1)

Publication Number Publication Date
CN113325472A true CN113325472A (zh) 2021-08-31

Family

ID=77416352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110556418.0A Pending CN113325472A (zh) 2021-05-21 2021-05-21 基于主成分分析的地震波场次成分提取方法

Country Status (1)

Country Link
CN (1) CN113325472A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002065157A2 (en) * 2001-02-14 2002-08-22 The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) Empirical mode decomposition for analyzing acoustical signals
CN104424393A (zh) * 2013-09-11 2015-03-18 中国石油化工股份有限公司 一种基于主成分分析的地震数据储层反射特征加强方法
CN105277979A (zh) * 2015-10-16 2016-01-27 中国石油天然气集团公司 一种地震属性的优化方法和装置
CN106054250A (zh) * 2016-06-08 2016-10-26 成都理工大学 基于变频分量扩散滤波融合的地震资料噪声消减方法
CN106557840A (zh) * 2016-11-14 2017-04-05 中南大学 一种强风高速铁路沿线风速自适应分解预测方法
CN106842307A (zh) * 2015-12-04 2017-06-13 中国石油化工股份有限公司 一种基于正演约束下波形分类再检索的储层精细预测方法
CN111551992A (zh) * 2020-05-12 2020-08-18 中国科学院地质与地球物理研究所 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
CN112014692A (zh) * 2020-07-20 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于主成分分析的局部放电特高频信号盲源分离去噪方法
CN112180447A (zh) * 2019-07-04 2021-01-05 中国石油天然气集团有限公司 一种消除储层强反射屏蔽的方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002065157A2 (en) * 2001-02-14 2002-08-22 The United States Of America, As Represented By The Aministrator Of The National Aeronautics And Space Administration (Nasa) Empirical mode decomposition for analyzing acoustical signals
CN104424393A (zh) * 2013-09-11 2015-03-18 中国石油化工股份有限公司 一种基于主成分分析的地震数据储层反射特征加强方法
CN105277979A (zh) * 2015-10-16 2016-01-27 中国石油天然气集团公司 一种地震属性的优化方法和装置
CN106842307A (zh) * 2015-12-04 2017-06-13 中国石油化工股份有限公司 一种基于正演约束下波形分类再检索的储层精细预测方法
CN106054250A (zh) * 2016-06-08 2016-10-26 成都理工大学 基于变频分量扩散滤波融合的地震资料噪声消减方法
CN106557840A (zh) * 2016-11-14 2017-04-05 中南大学 一种强风高速铁路沿线风速自适应分解预测方法
CN112180447A (zh) * 2019-07-04 2021-01-05 中国石油天然气集团有限公司 一种消除储层强反射屏蔽的方法及系统
CN111551992A (zh) * 2020-05-12 2020-08-18 中国科学院地质与地球物理研究所 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备
CN112014692A (zh) * 2020-07-20 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于主成分分析的局部放电特高频信号盲源分离去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡瑞卿 等: "结合CEEMDAN和主成分分析的低信噪比微地震初至信号检测", 《石油地球物理勘探》 *

Similar Documents

Publication Publication Date Title
Ganora et al. An approach to estimate nonparametric flow duration curves in ungauged basins
Li et al. Neural network modeling of in situ fluid-filled pore size distributions in subsurface shale reservoirs under data constraints
Chehrazi et al. Pore-facies as a tool for incorporation of small-scale dynamic information in integrated reservoir studies
Marano et al. Generative adversarial networks review in earthquake-related engineering fields
Carniel et al. Machine learning in volcanology: a review
CN109557578A (zh) 一种储层含气性检测方法及装置
CN111522063B (zh) 基于分频联合反演的叠前高分辨率流体因子反演方法
Bertolini et al. A methodology to evaluate and reduce reservoir uncertainties using multivariate distribution
CN113033648A (zh) 一种使用机器学习算法实现测井解释的方法
CN108226997A (zh) 一种基于叠前地震数据的地震相划分方法
CN112213782B (zh) 分相位地震数据的处理方法、装置和服务器
CN113325472A (zh) 基于主成分分析的地震波场次成分提取方法
CN109655394B (zh) 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法
CN104516019A (zh) 一种基于频谱形状的油气预测方法
CN111077574A (zh) 一种确定地层弹性参数的方法、装置及系统
CN104880737A (zh) 测井资料识别地下流体类型的多元Logistic方法
Yu et al. Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection
Tserolas et al. Organic geochemical features of the Upper Miocene successions of Lefkas and Cephalonia islands, Ionian Sea, Greece: an integrated geochemical and statistical approach
CN113325471B (zh) 一种基于奇异值分解的地震波场次成分提取方法
Bosch et al. Wavelets and the generalization of the variogram
Gao et al. Seismic attributes optimization and application in reservoir prediction
Liu et al. Robust prestack seismic facies analysis using shearlet transform-based deep learning
CN108761535B (zh) 一种侵入岩分布的识别方法
Luo et al. Probabilistic Fisher discriminant analysis based on Gaussian mixture model for estimating shale oil sweet spots
CN117307129A (zh) 一种核磁共振测井t2谱的孔隙度的获取方法及系统、一种存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210831