CN113987937A - 基于卷积神经网络的热强化sve有害气体浓度检测方法 - Google Patents

基于卷积神经网络的热强化sve有害气体浓度检测方法 Download PDF

Info

Publication number
CN113987937A
CN113987937A CN202111257277.9A CN202111257277A CN113987937A CN 113987937 A CN113987937 A CN 113987937A CN 202111257277 A CN202111257277 A CN 202111257277A CN 113987937 A CN113987937 A CN 113987937A
Authority
CN
China
Prior art keywords
neural network
sve
concentration
soil
convolutional neural
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
CN202111257277.9A
Other languages
English (en)
Inventor
石岩
芮树旺
杨丽曼
许少峰
王一轩
王娜
孙治博
牛燕霞
蔡茂林
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202111257277.9A priority Critical patent/CN113987937A/zh
Publication of CN113987937A publication Critical patent/CN113987937A/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
    • G06F30/27—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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明公开了基于卷积神经网络的热强化SVE有害气体浓度检测方法，包括如下步骤：获取待检测数据，对待检测数据进行预处理；待检测数据包括：土壤含水量、土壤渗透性、土壤有机质含量和土壤温度数据；将预处理后的数据进行特征提取，生成特征矩阵，并将特征矩阵转化成特征图；将特征图输入到训练好的卷积神经网络模型中，输出分类结果；将分类结果输入到Bagging模型中，输出最终检测结果；最终检测结果为热强化SVE有害气体浓度所在区间。该方法可准确得出在该加热温度条件下，当前土壤环境生成的有害气体浓度，从而合理调控温度，以保证该土壤环境下生成的有害气体浓度在一定范围内，提高后续对该有害气体的催化燃烧效率。

Description

基于卷积神经网络的热强化SVE有害气体浓度检测方法
技术领域
本发明涉及土壤检测技术领域，特别涉及一种基于卷积神经网络的热强化SVE有害气体浓度检测方法。
背景技术
气相抽提技术(SVE)是一种应用广泛的土壤原位修复技术，但是其适用性受到污染物种类、土的透气性、含水率、土层均匀性等因素影响。为了提高其土壤修复效果、扩大适用范围，SVE技术常与其它原位修复技术相结合及互补形成多种SVE增强技术，主要包括地下水曝气SVE技术、生物通风技术和热强化SVE技术等。
在SVE技术上我国起步晚且发展滞后，多停留在单因素实验、浅层机理和动力学模型研究。由于土壤修复领域起步较晚，污染场地修复技术不成熟，而国内自主研发能力薄弱，故土壤修复技术至今未进行深度研究。国内已发表的文献报道大多为单因素实验和模拟研究，现场应用和示范较少。
但是，气相抽提技术受限于土壤种类、透气性、有机物含量等的限制，难以在低渗透性有机物污染场地和半挥发性有机物污染场地修复中取得良好的修复效果。当前对于土壤和地下水污染场地的修复还处于起步阶段，气相抽提技术应用于有机物污染场地的相关工程案例比较少，对污染场地修复工程设计缺乏足够的依据。除此之外，国内关于热强化气相抽提技术研究较少，对热强化SVE过程中土壤温度的选择缺乏相关深度研究，同时对修复效果的评价也比较模糊。且常规实际实验的测量费时费力，难以满足数量庞大的加热温度条件下土壤有害气体排放量的监测和管理的需求，因此发展简便而准确的检测方法用于估算土壤原位修复中有害气体的排放浓度显得尤为重要。
因此，在现有的热强化气相抽提技术的基础上，如何提供一种基于卷积神经网络的热强化SVE有害气体浓度检测方法，以准确得出在该加热温度条件下，该土壤环境下生成的有害气体浓度，成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题，本发明提出了一种至少解决上述部分技术问题的基于卷积神经网络的热强化SVE有害气体浓度检测方法，该方法可精准判定出在该加热温度条件下，该土壤环境所生成的有害气体浓度。
本发明实施例提供基于卷积神经网络的热强化SVE有害气体浓度检测方法，包括如下步骤：
S1、获取待检测数据，对所述待检测数据进行预处理；所述待检测数据包括：土壤含水量、土壤渗透性、土壤有机质含量和土壤温度数据；
S2、将所述预处理后的数据进行特征提取，生成特征矩阵，并将所述特征矩阵转化成特征图；
S3、将所述特征图输入到训练好的卷积神经网络模型中，输出分类结果；
S4、将所述分类结果输入到Bagging模型中，输出最终检测结果；所述最终检测结果为热强化SVE有害气体浓度所在区间。
进一步地，所述步骤S2中，将所述特征矩阵转化成特征图之前还包括：对所述特征矩阵进行灰度化处理。
进一步地，所述步骤S2中，所述特征图的生成过程为：将当前时刻与之前时刻的所有数据信息组合到一起生成一幅特征图。
进一步地，所述步骤S3中，所述卷积神经网络模型存在多个弱分类器。
进一步地，所述步骤S3中，所述卷积神经网络模型采用3*3卷积核。
进一步地，所述步骤S3中，所述卷积神经网络模型采用Relu函数为激活函数。
进一步地，所述步骤S4中，所述Bagging模型存在多个子分类器。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的基于卷积神经网络的热强化SVE有害气体浓度检测方法，包括如下步骤：获取待检测数据，对待检测数据进行预处理；待检测数据包括：土壤含水量、土壤渗透性、土壤有机质含量和土壤温度数据；将预处理后的数据进行特征提取，生成特征矩阵，并将特征矩阵转化成特征图；将特征图输入到训练好的卷积神经网络模型中，输出分类结果；将分类结果输入到Bagging模型中，输出最终检测结果；最终检测结果为热强化SVE有害气体浓度所在区间。该方法可准确得出在该加热温度条件下，当前土壤环境生成的有害气体浓度，从而合理调控温度，以保证该土壤环境下生成的有害气体浓度在一定范围内，提高后续对该有害气体的催化燃烧效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于卷积神经网络的热强化SVE有害气体浓度检测方法流程图；
图2为本发明实施例提供的模型训练流程图；
图3为本发明实施例提供的热强化SVE密闭装置结构示意图；
图4为本发明实施例提供的马尔可夫过程的说明图；
图5为本发明实施例提供的特征矩阵生成特征图的过程示意图；
图6为本发明实施例提供的Bagging方法网络框架图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于卷积神经网络的热强化SVE有害气体浓度检测方法，参照图1所示，包括如下步骤：
S1、获取待检测数据，对待检测数据进行预处理；待检测数据包括：土壤含水量、土壤渗透性、土壤有机质含量和土壤温度数据；
S2、将预处理后的数据进行特征提取，生成特征矩阵，并将特征矩阵转化成特征图；
S3、将特征图输入到训练好的卷积神经网络模型中，输出分类结果；
S4、将分类结果输入到Bagging模型中，输出最终检测结果；最终检测结果为热强化SVE有害气体浓度所在区间。
本实施例提供的热强化SVE有害气体浓度检测方法，可判定出在该加热温度条件下，生成的有害气体浓度，可精准检测加热温度对该土壤有害气体浓度的影响，从而合理调控温度，以保证该土壤生成的有害气体浓度在一定范围内，有利于提高后续对该有害气体的催化燃烧效率。且采用Bagging模型，可以降低模型的方差，使其检测结果不容易受噪声数据的影响，提高模型精度，鲁棒性强。
参照图2所示，下面对本实施例提供的卷积神经网络模型和Bagging模型的具体训练过程，展开详细描述：
首先，采用如图3所示的热强化SVE装置收集数据(土壤含水量、土壤渗透性、土壤有机质含量、土壤温度和释放出的有害气体浓度)。该装置为土壤加热处理设备，主要通过对土壤进行加热，然后向土壤中鼓入空气，再通过抽气泵抽出气体，从而去除土壤中挥发性有机物，该挥发性有机物中包含有害气体。
具体地，在该热强化SVE密闭装置内进行1小时左右的恒温加热处理，检测经过时间内的生成气体，每60s一次，记录土壤种类及性质(含水量、渗透性、有机质含量等，也可根据实际需要添加其他的土壤特性)、土壤温度、从开始采集起经过的时间与生成目标有害气体(VOCs)浓度。设计不同土壤检测的对比试验，改变恒温加热的温度，测量多组数据。
其次，将所采集到的数据进行预处理，并将预处理后的数据进行特征提取，生成特征矩阵。将特征矩阵进行灰度化处理生成特征图。比如：采集K个时刻的数据，生成K个时刻的特征矩阵，将当前时刻(第K个时刻)与之前的K个时刻所有信息放到一起生成一幅特征图。
此过程类似于马尔可夫模型，即假设土壤加热生成气体的整个过程为K阶马尔可夫过程。参照图4所示，此为马尔可夫过程的说明图，图中转移概率是从ti-1时刻到ti时刻的概率，释放概率是从ti到wi的概率，也就是从隐藏的状态得到观测到的状态的概率。
具体地，首先，取同样一组土壤，测量其各种性质(包含土壤温度、生成有害气体浓度占最大浓度的百分比、土壤含水量、土壤渗透性和土壤有机质含量等)，分成五份(这五份构成一组数据)，其中最大浓度为装置恒温加热一段时间后排放的目标气体浓度；其次，设计五组实验，得到五组数据；进一步把这些数据放到一起得到5*(3+2)列特征，组成特征矩阵；最后，对特征矩阵中从第一行开始每K行生成一幅特征图(如从第1行到第K行，然后在K+1个时刻，从第2行到第K+1行，以此类推；将K+1行的生成气体浓度占最大浓度的百分比作为这个特征图的标签，训练卷积神经网络)。参照图5所示，即为特征矩阵生成特征图的过程，左图是某训练数据集的特征矩阵的一部分，右图是由其按照上面工作流程提到的方法生成的特征图，相当于对原来数据进行了扩充。
进一步地，划分不同类别对应的热强化SVE有害气体浓度区间，对排出的气体浓度按从0到最大浓度取每5％最大浓度段为一级共20级进行分类，并利用卷积神经网络(CNN)相关算法，针对生成的特征图训练多个弱分类器。该卷积神经网络采用3*3卷积核，并采用Relu函数为激活函数。
最后，采用Bagging方法，针对卷积神经网络输出的分类结果，利用投票或求平均的方式，综合多个分类器训练结果，得出排放有害气体浓度所在区间。
具体地，Bagging方法参照图6所示，其理论为将原来数据集拆分成几个子数据集(并不要求每个数据集分布相同)，然后分别训练模型，集成多个子分类器结果，用投票或求平均的方法来确定最终检测结果，该最终结果为生成有害气体浓度占最大浓度的百分比。由于此次训练的标签(生成气体浓度占最大浓度的百分比)可以看作是连续变量，因此可以采用对多个Bagging子分类器分类结果求平均的方式得出训练结果。
采用该Bagging方法，是通过包内预测，包外估计的方式(即用未在训练集中出现的测试数据来测试训练结果)。当原始样本中有噪声数据时，通过bagging抽样，便有一定比例的噪声样本不会被训练。bagging可以降低模型的方差，不容易受噪声的影响，广泛应用在不稳定的模型，或者倾向于过拟合的模型。
最终结合土壤原本特性，用训练结果乘以当前种类土壤当前温度排放气体的最大浓度，也就是恒温加热一段时间后排放的目标气体浓度，得出实际排放出的有害气体浓度。后续实际应用中，通过维持一定浓度的VOCs浓度可以对其进行催化氧化即催化燃烧，将其转化成水和二氧化碳，同时控制VOCs浓度能够提高燃烧效率。并且可根据检测出VOCs的几种主要成分，控制其浓度远离爆炸浓度区间可以避免可燃气体发生爆炸。
本实施例中，构建通过不同子分类器投票生成的土壤含水率、有机质含量、渗透性等特征，以及加热过程中前K个时刻的土壤温度与VOCs浓度，同当前时刻气体VOCs浓度之间的关系。在整个加热过程中，可以通过最终检测结果来计算是否需要提高加热温度来保证生成的有害气体浓度在一定范围内。通过控制加热温度等对排放气体浓度进行精确调整，这有利于后续对气体进行相应处理，提高处理效率。
实施例提供的一种基于卷积神经网络的热强化SVE有害气体浓度检测方法，可以达到如下有益效果：
1.采用人工智能方法对排放气体浓度进行控制比传统的负反馈方法更加灵活，能够适应多种土壤环境，也能达到近似精确控制。
2.相比于传统方法需要大量理论推导，采用人工智能方法能够适应各种突变状况，对相关理论要求相对宽松，可以让非本领域的技术人员也能够理解相关问题。
3.相比于简单的马尔科夫假设和机器学习方法，卷积神经网络生成的特征图能够很好地包络一段时间内所有能够提取到的特征，并且卷积神经网络和Bagging算法也能很好地针对这些特征进行识别分类，从而提高识别精度。具有很强的鲁棒性。通过bagging设计多个分类器可有效解决模型的过拟合问题。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，包括如下步骤：
S1、获取待检测数据，对所述待检测数据进行预处理；所述待检测数据包括：土壤含水量、土壤渗透性、土壤有机质含量和土壤温度数据；
S2、将所述预处理后的数据进行特征提取，生成特征矩阵，并将所述特征矩阵转化成特征图；
S3、将所述特征图输入到训练好的卷积神经网络模型中，输出分类结果；
S4、将所述分类结果输入到Bagging模型中，输出最终检测结果；所述最终检测结果为热强化SVE有害气体浓度所在区间。
2.如权利要求1所述的基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，所述步骤S2中，将所述特征矩阵转化成特征图之前还包括：对所述特征矩阵进行灰度化处理。
3.如权利要求1所述的基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，所述步骤S2中，所述特征图的生成过程为：将当前时刻与之前时刻的所有数据信息组合到一起生成一幅特征图。
4.如权利要求1所述的基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，所述步骤S3中，所述卷积神经网络模型存在多个弱分类器。
5.如权利要求1所述的基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，所述步骤S3中，所述卷积神经网络模型采用3*3卷积核。
6.如权利要求1所述的基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，所述步骤S3中，所述卷积神经网络模型采用Relu函数为激活函数。
7.如权利要求1所述的基于卷积神经网络的热强化SVE有害气体浓度检测方法，其特征在于，所述步骤S4中，所述Bagging模型存在多个子分类器。
CN202111257277.9A 2021-10-27 2021-10-27 基于卷积神经网络的热强化sve有害气体浓度检测方法 Pending CN113987937A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111257277.9A CN113987937A (zh) 2021-10-27 2021-10-27 基于卷积神经网络的热强化sve有害气体浓度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111257277.9A CN113987937A (zh) 2021-10-27 2021-10-27 基于卷积神经网络的热强化sve有害气体浓度检测方法

Publications (1)

Publication Number Publication Date
CN113987937A true CN113987937A (zh) 2022-01-28

Family

ID=79742751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111257277.9A Pending CN113987937A (zh) 2021-10-27 2021-10-27 基于卷积神经网络的热强化sve有害气体浓度检测方法

Country Status (1)

Country Link
CN (1) CN113987937A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114768279A (zh) * 2022-04-29 2022-07-22 福建德尔科技股份有限公司 用于电子级二氟甲烷制备的精馏控制系统及其控制方法
WO2023226226A1 (zh) * 2022-05-25 2023-11-30 福建德尔科技股份有限公司 用于电子级三氟甲烷制备的精馏控制系统及其控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114768279A (zh) * 2022-04-29 2022-07-22 福建德尔科技股份有限公司 用于电子级二氟甲烷制备的精馏控制系统及其控制方法
CN114768279B (zh) * 2022-04-29 2022-11-11 福建德尔科技股份有限公司 用于电子级二氟甲烷制备的精馏控制系统及其控制方法
WO2023226226A1 (zh) * 2022-05-25 2023-11-30 福建德尔科技股份有限公司 用于电子级三氟甲烷制备的精馏控制系统及其控制方法

Similar Documents

Publication Publication Date Title
CN113987937A (zh) 基于卷积神经网络的热强化sve有害气体浓度检测方法
De Vito et al. Semi-supervised learning techniques in artificial olfaction: A novel approach to classification problems and drift counteraction
Ortega et al. An intelligent detector based on temperature modulation of a gas sensor with a digital signal processor
Romain et al. Complementary approaches to measure environmental odours emitted by landfill areas
Nicolas et al. Using the classification model of an electronic nose to assign unknown malodours to environmental sources and to monitor them continuously
CN113610243B (zh) 基于耦合机器学习和相关性分析的大气污染物溯源方法
CN108896706A (zh) 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法
CN105913079A (zh) 基于目标域迁移极限学习的电子鼻异构数据识别方法
Li et al. Computer simulation of gas generation and transport in landfills. V: Use of artificial neural network and the genetic algorithm for short-and long-term forecasting and planning
Pan et al. Factor analysis of downwind odours from livestock farms
Sohn et al. Quantification of odours from piggery effluent ponds using an electronic nose and an artificial neural network
Nicolas et al. The electronic nose as a warning device of the odour emergence in a compost hall
Bax et al. Real-time monitoring of odour concentration at a landfill fenceline: performance verification in the field
Cakir et al. A comparative study on estimating the landfill gas potential: Modeling and analysis
CN111882230B (zh) 一种基于神经网络的二噁英排放在线监测方法
CN113192569A (zh) 基于改进粒子群和误差反馈神经网络的有害气体监测方法
CN107764793A (zh) 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法
Hidayat et al. Odor classification in cattle ranch based on electronic nose
CN116663925A (zh) 一种区域碳达峰的预测方法
CN116153388A (zh) 定量关系模型及应用、细胞状态监测方法、装置、系统
CN109858576B (zh) 气体渐进式自反馈浓度熵变预测方法、系统及存储介质
CN112861904B (zh) 基于imbi指数的大气污染源监测识别方法和系统
Lau et al. Non-linear carbon dioxide determination using infrared gas sensors and neural networks with Bayesian regularization
CN113798315B (zh) 基于机器学习的热强化sve技术气体排放控制方法
CN110322015B (zh) 车检数据生成方法

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