CN113435080A - 一种预测核电设备接管应力的方法及系统 - Google Patents

一种预测核电设备接管应力的方法及系统 Download PDF

Info

Publication number
CN113435080A
CN113435080A CN202110614612.XA CN202110614612A CN113435080A CN 113435080 A CN113435080 A CN 113435080A CN 202110614612 A CN202110614612 A CN 202110614612A CN 113435080 A CN113435080 A CN 113435080A
Authority
CN
China
Prior art keywords
stress
model
take
over
takeover
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
CN202110614612.XA
Other languages
English (en)
Inventor
兰天宝
王艳苹
詹自敏
高齐乐
盛锋
徐小刚
龙波
黄忠
张海英
任茜
董娇娇
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 Nuclear Power Engineering Co Ltd
Original Assignee
China Nuclear Power Engineering Co Ltd
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 Nuclear Power Engineering Co Ltd filed Critical China Nuclear Power Engineering Co Ltd
Priority to CN202110614612.XA priority Critical patent/CN113435080A/zh
Publication of CN113435080A publication Critical patent/CN113435080A/zh
Pending legal-status Critical Current

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种预测核电设备接管应力的方法及系统，包括：(1)通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；(2)选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；(3)向预测接管应力模型中输入接管特征参数，通过模型计算得到接管应力预测结果。本发明将接管模型参数化后与接管应力结果关联，根据多个项目的数据结果，通过机器模型训练得到预测模型，无需额外的公式计算、有限元模拟计算等繁杂操作。本发明可以快速可靠的给出接管模型应力，同时利用程序自动优化，简便易操作，具有高效率、低错误率的优点。

Description

一种预测核电设备接管应力的方法及系统
技术领域
本发明涉及机械设备的力学计算分析技术，具体涉及一种基于机器学习的核电设备接管应力预测方法及系统。
背景技术
容器等设备在核领域的后处理厂、核电项目中广泛应用，在一定压力与温度条件下工作，需要确保其压力边界条件的稳定。随着容器设备大型化、高参数化，接管及附件等引入较大的局部外载荷，往往一个设备多达几十个管嘴，这就导致其局部模型计算量的增大。通常一个简单的接管结构如图1所示，具有一系列特征参数，如接管长度、接管外径、接管厚度等。虽然接管载荷仅影响与壳体连接的附近局部区域，但会产生较高的局部应力。过大的局部应力将影响设备的安全平稳运行，将导致压力容器强度或稳定性失效。在交变载荷作用下，产生的局部应力再叠加上压力载荷的应力易使容器产生疲劳裂纹，并可能最终导致疲劳失效。
基于上述原因，计算设备承受的局部载荷作用下容器各管嘴的局部应力显得十分重要。需要从应力和强度上很好地考虑基本受压部件组合成容器整体时带来的各种局部应力、应力强度校核、结构设计等问题。
机器学习使计算机能够通过学习执行任务，进行预测，该领域从实现人工智能转变为解决实际问题，从统计学和概率论中借鉴方法和建立模型。目前，人工智能中的机器学习已广泛应用于工业工程项目，包括图像识别、分类、文本挖掘、预测、异常检查、关联规则挖掘、聚类、回归、模式发现、序列模式分析以及社会网络分析等，其中预测和聚类是最常用的方法。系统考虑应用积累的接管计算数据预测接管结果，基于统计的方法迅速判定该管嘴是否满足规范设计要求。
发明内容
本发明的目的是提供一种预测核电设备接管应力的方法及系统，基于积累的多个工程项目的接管有限元计算结果，将已有的遵照核电规范设计的接管参数与接管应力值关联，利用机器学习方法预测出接管应力结果。
本发明的技术方案如下：一种预测核电设备接管应力的方法，包括：
(1)通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；
(2)选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；
(3)向预测接管应力模型中输入接管特征参数，通过模型计算得到接管应力预测结果。
进一步，如上所述的预测核电设备接管应力的方法，步骤(1)中所述接管参数包括接管长度、接管外径、接管厚度、容器厚度、载荷、温度、压力。
进一步，如上所述的预测核电设备接管应力的方法，步骤(2)中所述机器学习算法模型包括如下模型中的一个或多个：线性回归模型、非线性回归模型、最近邻算法(KNN)、支持向量机(SVM)、多层感知器(MLP)、随机森林(RF)、梯度提升模型。
进一步，如上所述的预测核电设备接管应力的方法，步骤(2)中依据可决系数和均方根误差对机器学习算法模型进行评价，并对机器学习算法的参数进行调整和优化，
所述可决系数R2定义如下：
Figure BDA0003096887040000031
式中，yi为样本i的测试值，
Figure BDA0003096887040000032
为yi的平均值，
Figure BDA0003096887040000033
为样本i的预测值，n为样本数；可决系数越接近1，则预测越可信；
所述均方根误差RSME定义如下：
Figure BDA0003096887040000034
式中，y′i为样本i的高通量计算值，均方根误差越小，说明预测值偏离实际值越小。
进一步，如上所述的预测核电设备接管应力的方法，步骤(2)中所述接管参数与有限元应力结果数据库中的数据样本随工程项目的进度进行扩充，数据不断完善、增多，从而对算法模型不断进行训练学习，提升准确率。
进一步，如上所述的预测核电设备接管应力的方法，步骤(3)中输入的接管特征参数包括接管长度、接管外径、接管厚度、容器厚度。
进一步，如上所述的预测核电设备接管应力的方法，步骤(3)中通过模型计算得到应力预测值的同时，给出模型的可决系数和均方根误差，作为衡量预测结果是否准确的标尺。
一种实现上述预测核电设备接管应力方法的系统，包括：
接管数据库建立模块，通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；
预测接管应力模型训练模块，通过选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；
接管应力预测模块，通过向预测接管应力模型中输入接管特征参数，由模型计算得到接管应力预测结果。
进一步，如上所述的预测核电设备接管应力的系统，该系统为基于B/S架构搭建的接管智能分析系统，在系统界面选择已嵌入系统的机器学习算法模型，并输入接管特征参数，系统模型计算得到接管应力结果。
本发明的有益效果如下：本发明通过将接管模型参数化，根据积累多个项目工程的数据结果，通过机器模型训练得到预测模型，过程中无需额外的公式计算、有限元模拟计算等繁杂操作。本发明可以快速可靠的给出核电设备接管模型应力，同时利用程序自动优化，简便易操作，且具有高效率、低错误率的优点。
附图说明
图1为本发明涉及的接管结构参数的示意图；
图2为本发明提供的预测接管应力方法的逻辑示意图；
图3为本发明提供的预测接管应力的方法流程图；
图4为本发明具体实施例中接管参数输入页面示意图；
图5为本发明具体实施例中接管应力结果预测页面示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。在任何可能的情况下，在整个附图中将使用相同参考数字来指代相同或相似部分。
本申请提供的一种预测核电设备接管应力的系统，包括：
接管数据库建立模块，通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；
预测接管应力模型训练模块，通过选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；
接管应力预测模块，通过向预测接管应力模型中输入接管特征参数，由模型计算得到接管应力预测结果。
该系统的模型方法是基于积累的大量接管有限元数据进行获得的，该系统的流程见图2，如图2中所示系统通过积累的数据进行模型训练，得到预测接管应力模型，通过图2所示的前端界面进行接管参数等输入，最终传递给预测模型，之后预测模型再反馈预测结果。
该系统首先将接管结构参数与应力结果进行关联，提取到的接管特征参数包含接管长度、接管外径、接管厚度、容器厚度、载荷、温度、压力等参数，建立参数与有限元应力结果的数据库。
本系统可针对积累的接管计算结果数据库，进行迭代学习，并对带参数的算法模型进行参数调优。调优的依据是根据可决系数R2和均方根误差决定的。
可决系数定义如下：
Figure BDA0003096887040000051
样本数。可决系数越接近1，则预测越可信。
均方根误差定义如下：
Figure BDA0003096887040000061
式中，y′i为样本i的高通量计算值，均方根误差越小，说明预测值偏离实际值越小。
该系统学习的样本从很多工程项目实例的计算题目中获取，即图3中的接管数据所示。该数据为系统的核心数据，决定着系统的预测效果和误差。数据样本会随着工程项目的进度进行扩充，数据不断完善、增多，因此系统模型也会不断进行训练学习，提升其准确率。
如图3所示，系统在选择算法时，多种算法已嵌入系统，包括了线性回归模型、非线性回归模型、最近邻算法(KNN)、支持向量机(SVM)、多层感知器(MLP)、随机森林(RF)以及梯度提升模型，使用者根据系统的数据量和计算时间进行选取算法模型，模型选定之后，系统便根据图3所示的过程对接管数据进行训练学习得到预测的模型，并根据之前提到的可决系数和均方根误差进行模型评价，若模型预测误差较大，则对模型进行参数优化。参数是指机器学习算法中的一些参数，对于每种算法的参数含义不一样、数量也不一样，以最近邻算法(KNN)为例，其中的参数K，即K个“邻居”的信息来进行预测结果，K值选取没有固定的经验，需要在合理的范围内假定，可以假定K＝3,5,7,9等进行尝试，本系统采用网格搜索的方式，即将参数组合通过遍历的方式进行试探，最终依据可决系数和均方差来判定参数设置是否合理。优化时可决系数和均方根误差设为优化目标，在参数的合理范围内，寻找最优参数。优化完毕重复上一过程，最终得到合适的预测模型，至此系统内部的部署已经完成。
使用者此时将接管参数(接管长度、接管外径、接管厚度、容器厚度等参数)通过系统的前端界面输入，依据输入的特征参数系统利用已经训练好的模型给出预测结果。最终系统反馈预测结果和本次预测的可决系数和均方根误差，供使用者判断此次预测结果的可靠性。
结合图3描述用于预测接管应力的一个实施例，根据使用者需求，选择102部分的算法，然后算法基于100部分的接管数据进行训练学习，得到103用于可以预测的模型，根据105中的指标可决系数和均方根误差，判断模型是否需要进行优化，若需要优化，则根据104在合适的范围参数内，对参数进行调整，反馈得到更好的模型，重复以上过程，若不需要优化后，便可得到合适的预测模型107。
使用者在106中输入接管特征参数，包含接管直径、长度、厚度和容器厚度等，根据预测模型107便可得到预测结果108，最终完成系统的全部执行。
下面结合示例附图对本发明基于B/S架构搭建的接管智能分析系统进行详细的描述，步骤如下：
步骤1，在首页面选择使用的机器学习方法，包含线性回归模型、非线性回归模型、最近邻算法(KNN)、支持向量机(SVM)、多层感知器(MLP)、随机森林(RF)以及梯度提升模型。这些算法模型均已预先嵌入系统，使用者可以在页面所列的这些算法模型中任意选取使用的模型。以KNN模型为例，其算法原理是通过预测样本的特征找到训练集中与其特征最近的K个训练样本(K个相似性训练样本)，再以K个训练样本的信息给出预测结果，该方法的主要核心是计算样本的间距来作为各个样本之间的相似指标，一般使用欧式距离进行距离度量，其定义为
Figure BDA0003096887040000071
对于预测问题，最终根据欧式距离找到最近的K个训练样本的目标值平均值作为预测值输出。
步骤2，如图4所示，在接管参数页面针对某一项目的接管进行预测，填写需要预测的基本参数(接管长度、接管外径、接管厚度、容器厚度等参数)，然后通过系统提交。
步骤3，如图5所示，在接管应力结果预测页面，得到针对该项目工程的接管训练模型，并给出了预测值，以及模型的可决系数和均方根误差，作为衡量预测结果是否准确的标尺。
对于本领域技术人员而言，显然本发明的结构不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种预测核电设备接管应力的方法，其特征在于，包括：
(1)通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；
(2)选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；
(3)向预测接管应力模型中输入接管特征参数，通过模型计算得到接管应力预测结果。
2.如权利要求1所述的预测核电设备接管应力的方法，其特征在于，步骤(1)中所述接管参数包括接管长度、接管外径、接管厚度、容器厚度、载荷、温度、压力。
3.如权利要求1所述的预测核电设备接管应力的方法，其特征在于，步骤(2)中所述机器学习算法模型包括如下模型中的一个或多个：线性回归模型、非线性回归模型、最近邻算法、支持向量机、多层感知器、随机森林、梯度提升模型。
4.如权利要求1或3所述的预测核电设备接管应力的方法，其特征在于，步骤(2)中依据可决系数和均方根误差对机器学习算法模型进行评价，并对机器学习算法的参数进行调整和优化，
所述可决系数R2定义如下：
Figure FDA0003096887030000011
式中，yi为样本i的测试值，
Figure FDA0003096887030000012
为yi的平均值，
Figure FDA0003096887030000013
为样本i的预测值，n为样本数；可决系数越接近1，则预测越可信；
所述均方根误差RSME定义如下：
Figure FDA0003096887030000021
式中，y′i为样本i的高通量计算值，均方根误差越小，说明预测值偏离实际值越小。
5.如权利要求4所述的预测核电设备接管应力的方法，其特征在于，步骤(2)中所述接管参数与有限元应力结果数据库中的数据样本随工程项目的进度进行扩充，数据不断完善、增多，从而对算法模型不断进行训练学习，提升准确率。
6.如权利要求1所述的预测核电设备接管应力的方法，其特征在于，步骤(3)中输入的接管特征参数包括接管长度、接管外径、接管厚度、容器厚度。
7.如权利要求1或6所述的预测核电设备接管应力的方法，其特征在于，步骤(3)中通过模型计算得到应力预测值的同时，给出模型的可决系数和均方根误差，作为衡量预测结果是否准确的标尺。
8.一种实现权利要求1-7中任意一项所述预测核电设备接管应力方法的系统，其特征在于，包括：
接管数据库建立模块，通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；
预测接管应力模型训练模块，通过选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；
接管应力预测模块，通过向预测接管应力模型中输入接管特征参数，由模型计算得到接管应力预测结果。
9.如权利要求8所述的系统，其特征在于，该系统为基于B/S架构搭建的接管智能分析系统，在系统界面选择已嵌入系统的机器学习算法模型，并输入接管特征参数，系统模型计算得到接管应力结果。
CN202110614612.XA 2021-06-02 2021-06-02 一种预测核电设备接管应力的方法及系统 Pending CN113435080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110614612.XA CN113435080A (zh) 2021-06-02 2021-06-02 一种预测核电设备接管应力的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110614612.XA CN113435080A (zh) 2021-06-02 2021-06-02 一种预测核电设备接管应力的方法及系统

Publications (1)

Publication Number Publication Date
CN113435080A true CN113435080A (zh) 2021-09-24

Family

ID=77803597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110614612.XA Pending CN113435080A (zh) 2021-06-02 2021-06-02 一种预测核电设备接管应力的方法及系统

Country Status (1)

Country Link
CN (1) CN113435080A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795780A (zh) * 2019-09-09 2020-02-14 杭州鲁尔物联科技有限公司 一种基于XGBoost算法的斜拉桥有限元修正方法
CN111291514A (zh) * 2020-02-03 2020-06-16 华北电力大学 一种风电机组疲劳寿命的快速预测的方法
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm
CN112382352A (zh) * 2020-10-30 2021-02-19 华南理工大学 基于机器学习的金属有机骨架材料结构特征快速评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795780A (zh) * 2019-09-09 2020-02-14 杭州鲁尔物联科技有限公司 一种基于XGBoost算法的斜拉桥有限元修正方法
CN111291514A (zh) * 2020-02-03 2020-06-16 华北电力大学 一种风电机组疲劳寿命的快速预测的方法
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm
CN112382352A (zh) * 2020-10-30 2021-02-19 华南理工大学 基于机器学习的金属有机骨架材料结构特征快速评估方法

Similar Documents

Publication Publication Date Title
Wu et al. Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network
CN107886168A (zh) 一种使用多层感知器神经网络进行电梯故障识别的方法
CN117633722B (zh) 基于智能检测机器人的检测控制方法及系统
CN113094980B (zh) 一种基于iga-dnn的焊膏印刷质量预测方法及系统
US11860608B2 (en) Industrial equipment operation, maintenance and optimization method and system based on complex network model
CN110530650B (zh) 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法
CN112580784A (zh) 基于多输入多输出卷积神经网络的设备智能预警方法
CN117494584B (zh) 基于神经网络对抗迁移学习的高维可靠性设计优化方法
CN112434390A (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
Ahsan et al. Developing computational intelligence for smart qualification testing of electronic products
CN115688581A (zh) 油气集输站设备参数预警方法、系统、电子设备及介质
CN113486926B (zh) 一种自动化码头设备异常检测系统
CN110245398A (zh) 空气预热器转子热变形量的软测量深度学习方法
CN118035866A (zh) 基于专家网络的铝挤压设备故障诊断方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117096871A (zh) 一种基于时空分布的风电功率概率密度的预测方法
CN117540262A (zh) 一种基于前馈与反馈结合的变压器故障预测建模方法
CN113435080A (zh) 一种预测核电设备接管应力的方法及系统
CN114565051B (zh) 基于神经元影响程度的产品分类模型的测试方法
WO2020167316A1 (en) Machine learning-based generative design for process planning
CN114897193A (zh) 一种基于人在回路的飞机结构维修决策方法及决策系统
CN115130671A (zh) 设备综合效率预测模型的训练方法及存储介质、电子设备
CN108345726A (zh) 基于互信息和软仪表误差的输入变量自动选择方法

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