CN116204760B - 一种基于gru网络的钻孔应变数据异常提取方法 - Google Patents
一种基于gru网络的钻孔应变数据异常提取方法 Download PDFInfo
- Publication number
- CN116204760B CN116204760B CN202310056192.7A CN202310056192A CN116204760B CN 116204760 B CN116204760 B CN 116204760B CN 202310056192 A CN202310056192 A CN 202310056192A CN 116204760 B CN116204760 B CN 116204760B
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- strain
- network
- gru
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 15
- 238000005553 drilling Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000009825 accumulation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 239000002243 precursor Substances 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开了一种基于GRU网络的钻孔应变数据异常提取方法，所述方法包括以下步骤：录入四分量钻孔应变数据，并进行应变换算；通过SVMD法将换算后的应变数据进行分解，并去除干扰因素分量，获得数据剩余分量；采用主成分分析方法计算所述数据剩余分量的特征值和特征向量，并通过第一特征值和第一特征向量重构数据；通过GRU‑LUBE网络对重构后的数据进行训练、预测和异常提取；通过异常判断规则判断异常天，并采用异常累计法表征异常变化规律。本方法利用深度学习网络实现钻孔应变数据预测，极大提高了预测精度，并采用新提出的异常判断规则有效的将地壳的微弱变化表征出来；实现了在有较强背景干扰的情况下对钻孔应变数据异常的精确提取。
Description
技术领域
本发明属于地震前兆观测技术领域，特别是涉及一种基于GRU网络的钻孔应变数据异常提取方法。
背景技术
地震是全球性的重大灾害之一，与其他灾害不同的是，地震预报没有特别的机制，且更具破坏性。大地震是由不断变化的构造应力驱动的，这些应力主要发生在由地震活动演化的不同阶段所组成的长期准备阶段之后。地震前兆的研究还有很长的路要走。目前，各国学者对地震前兆异常尚无定义。然而，地震震前异常提取研究是地震前兆分析的必要前提。我国已经建成了一个覆盖全国、涉及多个学科、智能化控制的地面监测系统，到2021年为止已累计运行超过十年，积累了海量的地面观测数据，为我国的地震前兆研究提供了坚实的数据基础。在地面监测系统中，地壳形变观测是最重要的前兆观测项目之一。钻孔应变观测是研究地壳变形和地应力场变化的一种重要手段，可以观测区域应力场作用下的地壳变形。钻孔应变观测以精度高、频带宽、仪器安装受地形限制少等优点，成为了主要地壳形变观测手段。
应变异常提取方面，多采用传统的信号处理方法和“经验法”来对异常进行辨认；地震相关性分析方面，一般采用排除法，即根据实地考察、日志信息、辅助观测数据对比分析，排除异常的非地震因素影响。随着观测数据的数据量不断增大，导致传统的信号处理方法已经不能快速有效的处理观测数据，深度学习方法可以有效解决这一难题。
到目前为止，尚未见运用GRU网络的方法对钻孔应变数据进行异常提取的报道。
发明内容
为了能够快速有效的处理观测数据提高预测精度，本发明提出一种基于GRU网络的钻孔应变数据异常提取方法，实现了在有较强背景干扰的情况下对钻孔应变数据异常的精确提取。
为实现上述目的，本发明提供了如下方案：一种基于GRU网络的钻孔应变数据异常提取方法，所述方法包括以下步骤：
录入四分量钻孔应变数据，并进行应变换算；
通过SVMD法将换算后的应变数据进行分解，并去除干扰因素分量，获得数据剩余分量；
采用主成分分析方法计算所述数据剩余分量的特征值和特征向量，并通过第一特征值和第一特征向量重构数据；
通过GRU-LUBE网络对重构后的数据进行训练、预测和异常提取；
通过异常判断规则判断异常天，并采用异常累计法表征异常变化规律。
优选地，所述应变换算的方法包括：选取一个台站的四分量钻孔应变数据，数据表示为S1,S2,S3,S4；将四分量钻孔应变数据换算成两个剪应变S13、S24和一个面应变Sa，其表达式如下：
优选地，所述获得数据剩余分量的方法包括：通过SVMD分别对S13、S24和Sa进行分解，去除第一、二分量并重构其余分量，得到重构后的数据剩余分量分别为M13,M24,Ma。
优选地，所述通过第一特征值和第一特征向量重构数据的过程包括：首先制作数据矩阵Y(3×n)，其表达式为：
其中，Y是数据矩阵，M13,M24,Ma分别是两个剪应变和一个面应变；然后对矩阵Y进行特征分解，得到特征值矩阵[λ1λ2λ3]和特征向量矩阵[a1 a2 a3]，取第一特征值λ1和第一特征向量a1进行数据重构。
优选地，构建GRU-LUBE网络的方法包括：GRU的表达式如下：
rt＝σ(ωr·[ht-1,xt]) (3)
zt＝σ(ωz·[ht-1,xt]) (5)
其中，ht-1是最后时刻的记忆状态，xt是网络的输入，rt是重置门的输出，记忆门神经元，zt是更新门的输出；
将LUBE的区间上界和下界分别作为GRU网络的两个输出，构成GRU-LUBE网络。
优选地，所述LUBE的区间上界yU和下界yL表达式为：
其中，xi是输入向量，wih是输入层和隐含层之间的权重，b是隐含层的阈值，who是隐含层和输出层间的权重，wio是输入层和输出层之间的权重。
优选地，所述异常判断规则包括以下判断条件：
在30分钟内有多于15个点在区间外；
区间的中心点和实际值的差值，大于区间带宽的1.5倍，且在30分钟内有3个以上。
优选地，所述采用异常累计法表征异常变化规律的过程包括：当区间预测结果同时满足两个判断条件，则为异常天，计算异常天数累计结果，并绘制其随时间变化的散点图，采用sigmoid函数对散点图拟合，得到变化规律。
本发明公开了以下技术效果：
本发明提供的一种基于GRU网络的钻孔应变数据异常提取方法，本方法利用深度学习网络实现钻孔应变数据预测，极大提高了预测精度，并采用新提出的异常判断规则有效的将地壳的微弱变化表征出来；实现了在有较强背景干扰的情况下对钻孔应变数据异常的精确提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的提取方法流程图；
图2为本发明实施例的SVMD算法工作原理图；
图3为本发明实施例的应变换算后的数据曲线图；
图4为本发明实施例的SVMD对Sa分量数据的分解结果；
图5为本发明实施例的GRU-LUBE网络预测结果图；
图6为本发明实施例的芦山地震异常累计趋势拟合结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-6所示，针对芦山地震，以四川地区姑咱地震前兆监测台站的钻孔应变分钟值数据为例。该数据于2011年1月1日至2013年12月31日使用四分量钻孔应变仪测得。
a、录入姑咱台站2011年1月1日至2013年12月31日钻孔应变分钟值时间序列，按照北南分量、东西分量、北东分量、北西分量的顺序将数据分别记为S1、S2、S3、S4；对钻孔应变数据进行应变换算是根据公式(1)将四分量钻孔应变数据换算成两个剪应变S13、S24和一个面应变Sa，其时间序列如图3所示；
b、采用分段变分模式分解(SVMD)方法，其原理如图2所示。对S13、S24和Sa进行分解，分解层数为5，带宽约束α＝2000，收敛公差范围为10-7。以Sa分解为例，其分解后的结果如图4所示。通过判断第一分量为数据年趋势项，第二分量的频率集中在固体潮频率范围内，因此去掉第一、二分量并重构其余分量，此时得到重构后的数据分别为M13,M24,Ma。
c、采用主成分分析方法计算数据剩余分量的特征值和特征向量，并用第一特征值和第一特征向量重构数据，用以表示数据主要特征，是首先制作数据矩阵Y(3×n)，其表达式为：
其中，Y是数据矩阵，M13,M24,Ma分别是两个剪应变和面应变。对矩阵Y进行特征分解，得到特征值矩阵[λ1λ2λ3]和特征向量矩阵[a1 a2 a3]，取第一特征值λ1和第一特征向量a1进行数据重构，用以表示数据主要特征，图5中为重构后的数据。
d、首先搭建GRU-LUBE网络。GRU是长短期记忆网络(LSTM)的改进网络，只又更新门和重置门，与LSTM相比结构更加简单，训练参数更少。更新门用于确定当前输出状态与先前状态的一致程度，其表达式如下：
rt＝σ(ωr·[ht-1,xt]) (3)
zt＝σ(ωz·[ht-1,xt]) (5)
其中，ht-1是最后时刻的记忆状态，xt是网络的输入，rt是重置门的输出，记忆门神经元，zt是更新门的输出。GRU网络结构设置为：隐含层数为9，输出层数为2，训练参数的数量为30。
上下界估计法(LUBE)是一种区间预测方法，在这里本发明将LUBE的区间上界yU和下界yL分别作为GRU网络的两个输出，区间的上、下界表达式为：
其中，xi是输入向量，wih是输入层和隐含层之间的权重，b是隐含层的阈值，who是隐含层和输出层间的权重，wio是输入层和输出层之间的权重。采用2011年1月1日-2011年12月31日的数据作为训练样本，2012年1月1日-2013年12月31日的数据作为测试集，LUBE上下界区间的置信区间设为0-90％。预测结果如图5中的细化部分所示，预测结果显示：上下界估计区间可以很精确的预测出数据的变化趋势，为接下来的异常提取工作提供了准确性保障。
步骤e，所述的设定异常判断规则，并采用异常累计法表征异常变化规律是，首先设定异常判断规则，本发明提出的识别异常天的规则如下：
1、在30分钟内必须有15个点以上在区间外；
2、区间的中心点和实际值的差值，必须大于区间带宽的1.5倍，这样的点在该30分钟内必须有3个以上。
如果某一天区间预测结果中同时满足以上两个条件，则被视为异常天。其次是采用异常累计法表征异常变化规律：计算异常天数累计结果，并绘制其随时间的散点图，采用sigmoid函数对散点图拟合。异常天判断结果与异常累计拟合结果如图6所示，从拟合趋势可看出，在芦山地震前后都出现了相似的异常增长趋势，而这种异常变化趋势反映了地震前地壳的微变化现象。
综上可见，本发明与现有技术相比的显著优势概括如下：
本发明利用分段变分模态分解(SVMD)的方法分解钻孔应变数据，去除干扰因素(年趋势和固体潮响应)；采用主成分分析的方法计算特征值，采用第一特征值表征数据主要特征；采用门控循环神经网络(GRU)学习并训练特征值数据，采用上下界估计法(LUBE)预测并提取异常特征值；最后采用异常累计法表征异常变化规律，实现了在有较强背景干扰的情况下对钻孔应变数据异常的精确提取。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于GRU网络的钻孔应变数据异常提取方法，其特征在于，所述方法包括以下步骤：
录入四分量钻孔应变数据，并进行应变换算；
通过SVMD法将换算后的应变数据进行分解，并去除干扰因素分量，获得数据剩余分量；
采用主成分分析方法计算所述数据剩余分量的特征值和特征向量，并通过第一特征值和第一特征向量重构数据；
通过GRU-LUBE网络对重构后的数据进行训练、预测和异常提取；
通过异常判断规则判断异常天，并采用异常累计法表征异常变化规律；
所述应变换算的方法包括：选取一个台站的四分量钻孔应变数据，数据表示为S1,S2,S3,S4；将四分量钻孔应变数据换算成两个剪应变S13、S24和一个面应变Sa，其表达式如下：
所述获得数据剩余分量的方法包括：通过SVMD分别对S13、S24和Sa进行分解，去除第一、二分量并重构其余分量，得到重构后的数据剩余分量分别为M13,M24,Ma；
所述异常判断规则包括以下判断条件：
在30分钟内有多于15个点在区间外；
区间的中心点和实际值的差值大于区间带宽的1.5倍，且所述中心点在30分钟内有3个以上；
所述采用异常累计法表征异常变化规律的过程包括：当区间预测结果同时满足两个判断条件，则为异常天，计算异常天数累计结果，并绘制其随时间变化的散点图，采用sigmoid函数对散点图拟合，得到变化规律。
2.根据权利要求1所述的基于GRU网络的钻孔应变数据异常提取方法，其特征在于，
所述通过第一特征值和第一特征向量重构数据的过程包括：首先制作数据矩阵Y(3×n)，其表达式为：
其中，Y是数据矩阵，M13,M24,Ma分别是两个剪应变和一个面应变；然后对矩阵Y进行特征分解，得到特征值矩阵[λ1 λ2 λ3]和特征向量矩阵[a1 a2 a3]，取第一特征值λ1和第一特征向量a1进行数据重构。
3.根据权利要求1所述的基于GRU网络的钻孔应变数据异常提取方法，其特征在于，
构建GRU-LUBE网络的方法包括：GRU的表达式如下：
rt＝σ(ωr·[ht-1,xt])
zt＝σ(ωz·[ht-1,xt])
其中，ht-1是最后时刻的记忆状态，xt是网络的输入，rt是重置门的输出，记忆门神经元，zt是更新门的输出；
将LUBE的区间上界和下界分别作为GRU网络的两个输出，构成GRU-LUBE网络。
4.根据权利要求3所述的基于GRU网络的钻孔应变数据异常提取方法，其特征在于，
所述LUBE的区间上界yU和下界yL表达式为：
其中，xi是输入向量，win是输入层和隐含层之间的权重，b是隐含层的阈值，who是隐含层和输出层间的权重，wio是输入层和输出层之间的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310056192.7A CN116204760B (zh) | 2023-01-16 | 2023-01-16 | 一种基于gru网络的钻孔应变数据异常提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310056192.7A CN116204760B (zh) | 2023-01-16 | 2023-01-16 | 一种基于gru网络的钻孔应变数据异常提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116204760A CN116204760A (zh) | 2023-06-02 |
| CN116204760B true CN116204760B (zh) | 2023-10-24 |
Family
ID=86512236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310056192.7A Active CN116204760B (zh) | 2023-01-16 | 2023-01-16 | 一种基于gru网络的钻孔应变数据异常提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116204760B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918836A (zh) * | 2017-03-31 | 2017-07-04 | 吉林大学 | 基于主成分分析的钻孔应变数据异常提取方法 |
| CN111784043A (zh) * | 2020-06-29 | 2020-10-16 | 南京工程学院 | 一种基于模态gru学习网络的配电台区售电量精准预测方法 |
| CN114372239A (zh) * | 2021-12-29 | 2022-04-19 | 吉林大学 | 一种去除钻孔应变数据环境影响因素的方法 |
| CN115293197A (zh) * | 2022-06-29 | 2022-11-04 | 中国海洋大学 | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2451701B (en) * | 2007-08-10 | 2012-04-11 | Fujitsu Ltd | Method, apparatus and computer program for molecular simulation |
| US20190354836A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Dynamic discovery of dependencies among time series data using neural networks |
| US20220374681A1 (en) * | 2022-07-08 | 2022-11-24 | Zhihan Lv | Method for predicting wave energy based on improved GRU |
-
2023
- 2023-01-16 CN CN202310056192.7A patent/CN116204760B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918836A (zh) * | 2017-03-31 | 2017-07-04 | 吉林大学 | 基于主成分分析的钻孔应变数据异常提取方法 |
| CN111784043A (zh) * | 2020-06-29 | 2020-10-16 | 南京工程学院 | 一种基于模态gru学习网络的配电台区售电量精准预测方法 |
| CN114372239A (zh) * | 2021-12-29 | 2022-04-19 | 吉林大学 | 一种去除钻孔应变数据环境影响因素的方法 |
| CN115293197A (zh) * | 2022-06-29 | 2022-11-04 | 中国海洋大学 | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116204760A (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
| CN106897957B (zh) | 一种基于pca和pso-elm的自动气象站实时数据质量控制方法 | |
| CN111695413A (zh) | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 | |
| CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
| CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN112347571A (zh) | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 | |
| CN114048790A (zh) | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 | |
| CN114781576B (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
| CN116597320A (zh) | 一种适合复杂山区的滑坡地质灾害时空预测方法 | |
| CN111460733A (zh) | 一种基于深度学习的山火预警方法 | |
| CN115796351A (zh) | 基于变分模态分解和微波衰减的降雨短临预测方法及装置 | |
| CN116204760B (zh) | 一种基于gru网络的钻孔应变数据异常提取方法 | |
| CN113610147A (zh) | 一种基于lstm的多潜在子空间信息融合地震短临预测方法 | |
| CN117312919A (zh) | 基于bo-cnn-lstm模型的冲击地压预警方法 | |
| CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
| CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 | |
| CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
| CN115545296A (zh) | 基于lip-tcn-lstm的城市积涝水位短期预测方法及系统 | |
| CN114372239A (zh) | 一种去除钻孔应变数据环境影响因素的方法 | |
| CN116108759B (zh) | 一种基于特征耦合的滑坡危险性评价方法 | |
| CN116148917B (zh) | 一种根据地磁和地声数据预报地震的方法及系统 | |
| CN114139579B (zh) | 一种基于方差分形的深度学习微地震事件检测方法 | |
| CN117314218B (zh) | 一种基于大数据分析的煤矿水害实时预警方法 | |
| CN113722373A (zh) | 顾及长期时序依赖关系的城市事件探测方法 |
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 |