CN113536924A - 一种钢纤维混凝土结构内部损伤类型检测方法 - Google Patents

一种钢纤维混凝土结构内部损伤类型检测方法 Download PDF

Info

Publication number
CN113536924A
CN113536924A CN202110657739.XA CN202110657739A CN113536924A CN 113536924 A CN113536924 A CN 113536924A CN 202110657739 A CN202110657739 A CN 202110657739A CN 113536924 A CN113536924 A CN 113536924A
Authority
CN
China
Prior art keywords
acoustic emission
damage
type
neuron
concrete
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
CN202110657739.XA
Other languages
English (en)
Inventor
刘艺舟
徐绍洋
颜然
张恣铖
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110657739.XA priority Critical patent/CN113536924A/zh
Publication of CN113536924A publication Critical patent/CN113536924A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了一种钢纤维混凝土结构内部损伤类型检测方法，包括：确定待检测混凝土结构件的监测区域，将监测区域设置在易发生破坏节点；在待检测混凝土结构件上布设声发射传感器，并读取声发射信号；收集声发射信号，将其转换为有效信号参数；将有效信号参数输入SOM神经网络模型中，将SOM神经网络运算结果与标准故障样本混凝土损伤特征进行对照；本发明方法只需要采集声发射信号，将声发射信号输入神经网络中就能得到故障种类，对于钢纤维增强混凝土故障检测、分类较为全面，还能进一步提供缺陷随时间、温度等变量变化的实时或连续信息，为混凝土构件受拉破坏的内部损伤分析提供了一种新的方法和思路，本发明方法易于操作，方便工程人员使用。

Description

一种钢纤维混凝土结构内部损伤类型检测方法
技术领域
本发明属于无损检测技术领域，尤其涉及一种钢纤维混凝土结构内部损伤类型检测方法。
背景技术
混凝土结构的内部损伤极大地损害了结构的可靠性，又因为内部损伤难以直接观测，它造成的损伤具有一定的隐蔽性，混凝土内部损伤大多是突发性的，不具备明显的征兆且难以预测，往往需要通过长时间的监测，才能确定内部损伤位点和损伤形式。
在监测结构内部损伤方面，声发射技术作为一种无损监测技术，近年逐渐成为了土木工程中的常用技术。材料受力而产生变形或裂纹时，会把应变能以弹性波的形式放出，通过接收这种弹性波并对其进行分析，我们就可以检测出材料发生的损伤类型和程度。借助声发射技术，就可以在不破坏混凝土结构的前提下，实时监测混凝土结构工作情况，对混凝土结构内部损伤及时做出判断，基于此可以做出及时且准确的应对方案。
发明内容
本发明的目的在于提供一种用于检测和分类混凝土结构损伤类型的无损检测方法，通过信号处理和机器学习等技术实现信号与结构损伤状态对应。
本发明采用如下技术方案：
一种钢纤维混凝土结构内部损伤类型检测方法，步骤如下：
步骤一、确定待检测混凝土结构件的监测区域，将监测区域设置在易发生破坏节点；
步骤二、在待检测混凝土结构件上布设声发射传感器，并读取声发射信号；
步骤三、收集声发射信号，并传递到示波器，再通过计算机将其转换为数字形式的有效信号参数；
步骤四、将步骤三得到的有效信号参数输入SOM神经网络模型中，得到SOM神经网络运算结果，待检测混凝土结构件的SOM神经网络运算结果为输出神经元在输出层的位置；
步骤五、将步骤四得到的SOM神经网络运算结果与标准故障样本混凝土损伤特征进行对照；
步骤六、开展重复试验验证结论，即重复步骤一至五以确保试验的准确性。
优选地，步骤二中将传感器通过凡士林及橡胶带固定于试件表面。
具体地，混凝土结构内部损伤类型包括粗集料开裂、集料与水泥基体界面开裂、纤维拔出、纤维拉断和裂纹开展五种。
具体地，步骤三中声发射有效信号参数包括上升时间、计数、能量、持续时间、平均频率和ASL。
具体地，所述步骤四中SOM神经网络模型的建立过程包括：
步骤(4.1)利用newsom()函数创建一个自组织特征映射；
步骤(4.2)运用距离函数计算神经元之间距离；
步骤(4.3)采用结构函数作为模型主体；
步骤(4.4)查看网络拓扑学结构、神经元直接距离情况以及每个神经元分类情况；
步骤(4.5)多次训练直到每个样本被划分为一类。
本发明所采用的SOM自组织特征映射算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。
具体地，步骤五所述标准故障样本混凝土损伤特征为：
第一种破坏类型粗集料开裂由18号神经元唯一确定；
第二种破坏类型集料与水泥基体界面开裂由1号神经元唯一确定；
第三种破坏类型裂纹开展由10号神经元唯一确定；
第四种破坏类型纤维拉断由30号神经元唯一确定；
第五种破坏类型纤维拔出由21号神经元唯一确定。
具体地，步骤五中若SOM神经网络运算输出的神经元在输出层的位置与标准故障样本的某一种破坏类型下神经元的位置相同，说明待检样本发生了相应的故障；若输出神经元在输出层的位置介于标准故障样本的多种类型之间，说明这几种标准故障都有可能发生，且各故障的程度由该位置与相应标准故障样本位置的欧式距离确定。
本发明的有益效果在于：
本发明方法只需要采集声发射信号，将声发射信号输入神经网络中就能得到故障种类，对于钢纤维增强混凝土故障检测、分类较为全面，还能进一步提供缺陷随时间、温度等变量变化的实时或连续信息，为混凝土构件受拉破坏的内部损伤分析提供了一种新的方法和思路，本发明方法易于操作，方便工程人员使用。
本发明方法将声发射传感器布置于待检测工件上，对待检测工件自身形状不敏感，可用于对其他方法受限的不规则物体进行损伤检测。
附图说明
图1为本发明的流程示意图；
图2为本发明中声发射信号采集系统布置示意图；
图3为本发明中声发射检测技术的基本原理；
图4为本发明中每个神经元的分类情况；
图5为本发明SOM神经网络模型中相邻神经元的联系；
图6为标准故障样本多种破坏类型中神经元距离情况；
图7为标准故障样本SOM网络在不同训练次数下的分类结果。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述示例。
如图1-3所示，本发明为一种钢纤维混凝土结构内部损伤类型检测方法，可以通过检测待检测混凝土结构件的声波信号来判断其内部破坏形式。
选取标准故障样本：一个含有5个故障样本的数据集。故障原因分别为：粗集料开裂(T1)、集料与水泥基体界面开裂(T2)、裂纹开展(T3)、纤维拉断(T4)、纤维拔出(T5)。每个故障样本中有6个特征，分别是：上升时间(P1)、计数(P2)、能量(P3)、持续时间(P4)、平均频率(P5)、ASL(P6)，故障样本特征数据如表1所列，表中数据已归一化。
表1
故障种类 P1 P2 P3 P4 P5 P6
T1 -0.7940 0.4963 -0.7349 -0.4013 -0.1283 -0.7260
T2 -0.5897 -1.0000 -1.0000 -1.0000 1.0000 1.0000
T3 -0.8847 -0.1241 -0.9005 -0.6437 -0.0162 -0.4104
T4 1.0000 0.7778 1.0000 1.0000 -1.0000 0.1034
T5 -1.0000 1.0000 -0.3023 -0.1507 -0.3027 -1.0000
建立SOM神经网络模型，具体过程为：
步骤(4.1)利用newsom()函数创建一个自组织特征映射；
步骤(4.2)运用距离函数计算神经元之间距离；
步骤(4.3)采用结构函数作为模型主体；
步骤(4.4)查看网络拓扑学结构、神经元直接距离情况以及每个神经元分类情况；
步骤(4.5)多次训练直到每个样本被划分为一类。
将表1中6个特征值输入SOM神经网络中，对每种标准故障样本进行训练，训练过程如图7所示，反映不同训练步数下的样本分类情况，当达到50次时，每种破坏形式已经分离出来，可用于进行故障形式分类。训练结束后，对具有最大输出的神经元标以该故障的记号，如图6，反映出每种破坏形式的样本数分布情况，图6中由左下至右上，从左到右依次将神经元从1至30依次编号，图中中间位置的神经元为第18号。
若待检测混凝土结构件输出神经元在输出层的位置与某标准故障样本的位置相同，说明待检测混凝土结构件发生了相应的故障；若输出神经元在输出层的位置介于很多标准故障样本之间，说明这几种标准故障都有可能发生，且各故障的程度由该位置与相应标准故障样本位置的欧式距离确定。
第一种破坏类型粗集料开裂(T1)可由18号神经元唯一确定；
第二种破坏类型集料与水泥基体界面开裂(T2)可由1号神经元唯一确定；
第三种破坏类型裂纹开展(T3)可由10号神经元唯一确定；
第四种破坏类型纤维拉断(T4)可由30号神经元唯一确定；
第五种破坏类型纤维拔出(T5)可由21号神经元唯一确定。
本实施例中待检测混凝土结构件为钢纤维增强混凝土，选取的钢纤维是经典的波浪剪切型，直径是0.8mm，长度是38mm，抗拉强度是1200Mpa。水泥采用南京小野田425型普通硅酸盐水泥。砂子采用河砂，细度模数为2.1。粗骨料选用的石子粒径小于30mm。配合比设计为，水泥：砂：石子：水的比例是1：2：3.8：0.5。钢纤维增强混凝土体积掺量为40kg.m-3。设置了三种加载速度，分别为0.2mm/s，0.02m/s，0.002m/s。每种加载速率准备了三组试件。将钢纤维增强混凝土按照配合比浇筑成尺寸为300mm×300mm×1100mm的试件。养护一周后采用混凝土取芯机从中钻取直径为68mm，高度约为150mm的芯样。
按照设定的参数，对待检测混凝土结构件进行分组加载，分三组，对应三种不同的加载速率，每种加载速率设有三组试件，因此可以有效降低数据错误率。
应用SOM神经网络检测该钢纤维增强混凝土结构损伤的步骤如下：
步骤一、根据力学知识来判断出待检测混凝土结构件在工作状态下，判断出容易发生损伤的位置。
步骤二、在步骤一所述容易发生损伤的位置处粘贴声发射传感器，考虑到混凝土构件在破坏时产生的声发射信号具有较宽的频率范围，本实施例选用两个频率带宽为100-1000kHz的PAC-WD型宽频式传感器，与之配套的是PAC-2/4/6型前置放大器，其带宽为10～2000kHz，可切换的增益值为：20dB、40dB和60dB。门槛值设定35dB，前置放大器增益设定40dB，滤波器带通设定1-3000kHz，采样频率5MSPS，PDT设定50μs，HDT设定100μs，HLT设定300μs。将两个声发射传感器置于待检测混凝土结构件长度方向的中间位置，且对称设置，利用耦合剂(凡士林)以及橡胶带将其固定在混凝土结构件表面。
读取声发射信号。
步骤三、收集声发射信号，将其转换为有效信号参数；
声发射信号传递到示波器，利用电脑软件对声发射信号波形进行分析处理，得到波形的声发射信号参数并记录，再通过计算机将其转换为数字形式的参数，所得参数包括上升时间、计数、能量、持续时间、幅值、平均频率、RMS、ASL、峰值频率、门槛、反算频率、初始频率、信号强度、绝对能量、中心频率、峰频等。通过正交线性变换以及混凝土基质破坏原理相关参数评估不同特征参数信息的可靠度，最终选出上升时间、计数、能量、持续时间、平均频率、ASL这六个特征参数进行分类。
特征参数选取依据以下2个原则：(1)对于同一声发射信号，材料变形和断裂过程中破坏越严重，其释放的能量越大，则对应的声发射振幅越高、持续时间越长；(2)同一破坏机制产生的声发射信号具有相同的参数特性(如平均频率、计数和上升时间等)。而ASL主要用于对幅度动态范围要求高的连续型声发射活动性评价。
本实施例中采集到待检测混凝土结构件的上升时间(P1)、计数(P2)、能量(P3)、持续时间(P4)、平均频率(P5)、ASL(P6)这6个特征的具体数值如下表2所示：
表2
P1 P2 P3 P4 P5 P6
归一化前 48 131 13 702 187 31
归一化后 -0.4557 0.8959 -0.6553 -0.3982 0.2631 -0.5172
步骤四、将上述表2中的归一化后的数据输入到SOM神经网络中。
本发明所采用的SOM自组织特征映射算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。该算法主要由以下几个步骤组成：网络初始化、向量的输入、计算向量距离、权值学习、计算并判断是否达到预设要求。
步骤五、针对模型运算结果进行分析，通过与标准故障样本比对进行分类。
观察图4可知晓本实施例中5*6个神经元之间连接情况。
观察图5，颜色深浅表达神经元间距离，颜色越深则距离越远，越浅则表示相邻神经元可能对应同一种破坏形式。
从图6和图7中可以看出，通过比对yc输出结果与rr输出结果，即可得出故障形式分类。yc指不同训练步数下对样本的分类情况，取最后一行作为最终分类结果，1，10，18，21，30分别对应图6中五个神经元位置，分别对应五种故障形式。rr指待测样本经SOM程序处理之后的位置。
本实施例中输出结果rr＝24，表示测试样本的破坏类型由24号神经元决定，其距离18号神经元最近。从图6中可以看出，SOM神经网络模型将未知破坏样本分类在第一种破坏类型，与实际情况相符。
由于每次执行程序时，激发的神经元不同，因此执行后的图像结果可能有所差异，但是无论激活哪个神经元，最后分类的结果不会改变，本案例仅为其中一种。
通过开展重复试验验证结论。
通过上述实例过程和结果可以看出，本发明基于SOM神经网络模型，通过对特征参数的分析比对获得混凝土损伤形式的分类，计算效率高，过程简便，适合运用于工程实例。

Claims (7)

1.一种钢纤维混凝土结构内部损伤类型检测方法，其特征在于：包括步骤如下：
步骤一、确定待检测混凝土结构件的监测区域，将监测区域设置在易发生破坏节点；
步骤二、在待检测混凝土结构件上布设声发射传感器，并读取声发射信号；
步骤三、收集声发射信号，并传递到示波器，再通过计算机将其转换为数字形式的有效信号参数；
步骤四、将步骤三得到的有效信号参数输入SOM神经网络模型中，得到SOM神经网络运算结果，待检测混凝土结构件的SOM神经网络运算结果为输出神经元在输出层的位置；
步骤五、将步骤四得到的SOM神经网络运算结果与标准故障样本混凝土损伤特征进行对照；
步骤六、开展重复试验验证结论，即重复步骤一至五以确保试验的准确性。
2.根据权利要求1所述的钢纤维混凝土结构内部损伤类型检测方法，其特征在于：混凝土结构内部损伤类型包括粗集料开裂、集料与水泥基体界面开裂、纤维拔出、纤维拉断和裂纹开展五种。
3.根据权利要求2所述的钢纤维混凝土结构内部损伤类型检测方法，其特征在于：步骤三中声发射有效信号参数包括上升时间、计数、能量、持续时间、平均频率和ASL。
4.根据权利要求3所述的钢纤维混凝土结构内部损伤类型检测方法，其特征在于：所述步骤四中SOM神经网络模型的建立过程包括：
步骤(4.1)利用newsom()函数创建一个自组织特征映射；
步骤(4.2)运用距离函数计算神经元之间距离；
步骤(4.3)采用结构函数作为模型主体；
步骤(4.4)查看网络拓扑学结构、神经元直接距离情况以及每个神经元分类情况；
步骤(4.5)多次训练直到每个样本被划分为一类。
5.根据权利要求3所述的钢纤维混凝土结构内部损伤类型检测方法，其特征在于：步骤五所述标准故障样本混凝土损伤特征为：
第一种破坏类型粗集料开裂由18号神经元唯一确定；
第二种破坏类型集料与水泥基体界面开裂由1号神经元唯一确定；
第三种破坏类型裂纹开展由10号神经元唯一确定；
第四种破坏类型纤维拉断由30号神经元唯一确定；
第五种破坏类型纤维拔出由21号神经元唯一确定。
6.根据权利要求5所述的钢纤维混凝土结构内部损伤类型检测方法，其特征在于：步骤五中若SOM神经网络运算输出的神经元在输出层的位置与标准故障样本的某一种破坏类型下神经元的位置相同，说明待检样本发生了相应的故障；若输出神经元在输出层的位置介于标准故障样本的多种类型之间，说明这几种标准故障都有可能发生，且各故障的程度由该位置与相应标准故障样本位置的欧式距离确定。
7.根据权利要求3所述的钢纤维混凝土结构内部损伤类型检测方法，其特征在于：步骤二中将传感器通过凡士林及橡胶带固定于试件表面。
CN202110657739.XA 2021-06-14 2021-06-14 一种钢纤维混凝土结构内部损伤类型检测方法 Pending CN113536924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110657739.XA CN113536924A (zh) 2021-06-14 2021-06-14 一种钢纤维混凝土结构内部损伤类型检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110657739.XA CN113536924A (zh) 2021-06-14 2021-06-14 一种钢纤维混凝土结构内部损伤类型检测方法

Publications (1)

Publication Number Publication Date
CN113536924A true CN113536924A (zh) 2021-10-22

Family

ID=78124869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110657739.XA Pending CN113536924A (zh) 2021-06-14 2021-06-14 一种钢纤维混凝土结构内部损伤类型检测方法

Country Status (1)

Country Link
CN (1) CN113536924A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362595A (zh) * 2023-03-10 2023-06-30 中国市政工程西南设计研究总院有限公司 一种地表水氮污染的评价方法
CN117011295A (zh) * 2023-10-07 2023-11-07 西南科技大学 基于深度可分离卷积神经网络的uhpc预制件质量检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362595A (zh) * 2023-03-10 2023-06-30 中国市政工程西南设计研究总院有限公司 一种地表水氮污染的评价方法
CN117011295A (zh) * 2023-10-07 2023-11-07 西南科技大学 基于深度可分离卷积神经网络的uhpc预制件质量检测方法
CN117011295B (zh) * 2023-10-07 2024-01-23 西南科技大学 基于深度可分离卷积神经网络的uhpc预制件质量检测方法

Similar Documents

Publication Publication Date Title
Miao et al. Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network
CN113536924A (zh) 一种钢纤维混凝土结构内部损伤类型检测方法
CN106287240B (zh) 一种基于声发射的管道泄漏检测装置及单传感器定位方法
CN110082429B (zh) 一种结合机器学习的隧道衬砌无损检测的辅助判定方法
CN111754463B (zh) 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法
Zhang et al. An automatic impact-based delamination detection system for concrete bridge decks
CN106442187A (zh) 一种工程材料的冲击球压试验以及评价方法
CN109886433A (zh) 智能识别城市燃气管道缺陷的方法
CN108844856B (zh) 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法
Raut et al. Methods of damage detection on composites under low velocity impact
Das et al. Icd: a methodology for real time onset detection of overlapped acoustic emission waves
Li et al. Grout assessment of plastic ducts in prestressed structures with an HHT-based method
CN104573357B (zh) 一种预应力通道注浆密实度检测方法
CN114324580A (zh) 一种结构缺陷的智能敲击检测方法及系统
CN109100243B (zh) 一种加强型直接剪切试验检测方法
CN116773654A (zh) 一种基于周向导波的管道缺陷智能检测装置及检测方法
CN110133105A (zh) 一种水浸混凝土强度的非接触式无损检测方法
Saechai et al. Test system for defect detection in construction materials with ultrasonic waves by support vector machine and neural network
CN113640394B (zh) 一种疲劳裂纹识别方法和系统
CN115144259A (zh) 一种钢材抗形变性能检测方法及系统
CN111272869B (zh) 一种用于复合材料修理后超声检测的斜坡系数的确定方法
Pollock Probability of detection for acoustic emission
Sagar Support vector machine procedure and gaussian mixture modelling of acoustic emission signals to study crack classification in reinforced concrete structures
Sun et al. Classification of anchor bolts based on spectral kurtosis and K-means clustering algorithm
Hameed et al. Damage Size Estimation for Composite Laminates Based on an Anisotropic Wavefront Expression

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