CN116504329A - 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 - Google Patents
基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 Download PDFInfo
- Publication number
- CN116504329A CN116504329A CN202310770003.2A CN202310770003A CN116504329A CN 116504329 A CN116504329 A CN 116504329A CN 202310770003 A CN202310770003 A CN 202310770003A CN 116504329 A CN116504329 A CN 116504329A
- Authority
- CN
- China
- Prior art keywords
- coke
- neural network
- convolutional neural
- data
- coal
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 61
- 239000000571 coke Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000003384 imaging method Methods 0.000 title claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 230000006835 compression Effects 0.000 claims abstract description 6
- 238000007906 compression Methods 0.000 claims abstract description 6
- 230000009257 reactivity Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004939 coking Methods 0.000 abstract description 8
- 238000002156 mixing Methods 0.000 abstract description 8
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 229910052717 sulfur Inorganic materials 0.000 description 4
- 239000011593 sulfur Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Coke Industry (AREA)
Abstract
本发明是基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,该方法由配合煤数据跨域转换以及卷积神经网络预测所组成;通过数据降维压缩方法,实现将配合煤数据从所在的结构化的数值域转换至非结构化的图像域,使得配合煤参数间的特征关系更易被模型所捕捉及分析;之后基于图像域的配合煤数据,利用由卷积层、池化层及全连接层所组成的经过训练后的卷积神经网络焦炭热态质量预测模型去实现对焦炭反应性CRI和焦炭反应后强度CSR指标的预测。本发明能准确分析配合煤参数和对应的焦炭热态质量指标之间的非线性映射关系,网络推理过程可被图像处理器加速运算,实现准确、稳定及快速预测焦炭的热态质量,进一步降低焦化工艺过程中的人工及配煤成本。
Description
技术领域
本发明涉及焦化、人工智能及数据挖掘处理技术领域,具体涉及一种基于煤数据图像化的卷积神经网络焦炭热态质量预测方法。
背景技术
焦化行业对于工业炼焦的热态质量一直使用传统的小型焦炉实验来进行预测。但由于小型实验焦炉时间成本过高,技术过于老化,并不能对焦炭热态质量进行精准预测。并且近年来,随着高炉稳步向大型化发展,炉内料位也随之增高,炉内透气性变差,这也对焦炭热态质量要求更加严苛。但是工业焦化技术中配煤方案的复杂程度导致了现有配煤炼焦热态质量预测无法满足现有高炉用焦技术要求。所以如何在低成本前提下进行高效精准的配煤焦炭热态质量预测是提高焦炭热态质量的核心技术之一。
人工智能大数据分析算法在互联网领域应用十分广泛,所以人工智能大数据分析算法也是工业智慧化的核心技术之一。但是现有人工智能算法针对配煤方案预测焦炭热态质量的准确性一直不稳定,使得人工智能算法无法在工业配煤炼焦热态质量预测中使用。因此如何通过算法优化进而准确、稳定的通过配煤方案预测焦炭热态质量是配煤技术智慧化的核心议题。
发明内容
本发明旨在解决现有技术在预测焦炭热态质量时存在的预测结果不稳定,泛化能力差的问题,提供一种能准确分析配合煤参数和焦炭热态质量之间的非线性映射关系的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,该方法包括:
S1:配合煤数据跨域转换, 实现配合煤数据从数值域到图像域的转换;
S2:卷积神经网络预测, 利用基于图像域的配合煤数据特征来输出预测的焦炭热态质量数值。
进一步的,在所述配合煤数据跨域转换的方法S1中,配合煤数据首先通过矩阵转置交换行列数据,随后利用数据降维压缩方法得到配合煤的不同参数在特征空间的坐标分布位置,并将配合煤不同参数的数值大小映射至对应的特征空间的参数坐标位置,将原数值从所在的结构化的数值域转换成非结构化的图像域。
进一步的,所述数据降维压缩方法为无监督学习降维算法或有监督学习降维算法。
进一步的,在所述卷积神经网络预测的方法S2中,卷积神经网络为经过训练后的人工智能模型;卷积神经网络包含卷积层、池化层及全连接层;卷积层用于提取转换后的基于图像域的配合煤数据的二维特征,池化层用于降低卷积神经网络推理时的参数量,全连接层用于汇总从卷积层中提取到的二维特征,并用作为模型的最终预测输出;卷积神经网络的输入为基于图像域的配合煤数据,输出的参数为焦炭热态质量指标。
进一步的,所述焦炭热态质量指标包括焦炭反应性CRI和焦炭反应后强度CSR。
本发明的有益效果是:
1)本发明采用的数据降维压缩方法可以将配合煤参数间的特征空间距离直接映射至二维图像上,使得卷积神经网络更容易捕捉到配合煤参数间的非线性特征关系,提高预测的准确度;
2)本发明提供的将配合煤数据从所在的结构化的数值域转换成非结构化的图像域的方法,可以实现将专用于图像分析的卷积神经网络应用在配合煤数据上进行预测,并且在预测过程中数据可以被计算机图像处理器加速运算,降低网络的推理时间。
附图说明
图1为本发明预测方法的框图;
图2为本发明预测方法的流程图;
图3为本发明预测方法中的配合煤数据跨域转换方法的示意图;
图4为本发明预测方法的焦炭CRI和CSR指标的预测值与真实值的比较示意图;
图5为线性回归方法的焦炭CRI和CSR指标的预测值与真实值的比较示意图;
图6为BP神经网络方法的焦炭CRI和CSR指标的预测值与真实值的比较示意图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
如图1-3所示,一种基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,包含配合煤数据跨域转换和卷积神经网络预测。将带有水分、灰分、挥发分、硫分、G值、X值和Y值参数的配合煤数据通过矩阵转置交换行列数据,随后利用无监督学习降维算法或有监督学习降维算法将数据的维度降至两维得到参数特征空间的坐标分布位置。将配合煤不同参数的数值映射至对应的参数特征空间的坐标分布位置,实现配合煤参数从所在的结构化的数值域到非结构化的图像域的转换。基于图像域的配合煤数据的二维特征,利用包含卷积层、池化层及全连接层的经过训练的卷积神经网络预测出焦炭反应性CRI和焦炭反应后强度CSR。
实施例一:
收集150个工业生产数据,将带有水分、灰分、挥发分、硫分、G值、X值和Y值参数的配合煤数据通过矩阵转置交换行列数据,随后利用无监督学习降维算法或有监督学习降维算法将数据的维度降至两维得到参数特征空间的坐标分布位置。将配合煤不同参数的数值映射至对应的参数特征空间的坐标分布位置,实现配合煤参数从结构化的数值域到非结构化的图像域的转换。基于图像域的配合煤数据的二维特征,利用包含卷积层,池化层及全连接层的经过训练的卷积神经网络进行焦炭热态质量预测。图4为使用本发明模型预测的焦炭热态质量参数与实际工业焦炉生产焦炭热态质量参数,由图可知,使用本发明搭建的预测模型预测的焦炭CRI和CSR指标与工业生产焦炭热态质量参数平均绝对误差值为1.729,预测结果和真实值非常接近。
对比例一:
选取实施例一中使用的150个工业生产数据,将带有水分、灰分、挥发分、硫分、G值、X值和Y值参数的配合煤数据送入线性回归算法搭建的预测模型中进行预测。图5为使用线性回归预测模型的焦炭热态质量参数与实际工业焦炉生产焦炭热态质量参数,由图可知,使用线性回归的预测模型预测的焦炭CRI和CSR指标与工业生产焦炭热态质量参数平均绝对误差值为5.893,线性回归预测模型无法对焦炭CRI和CSR指标进行准确的预测。
对比例二:
选取实施例一中使用的150个工业生产数据,将带有水分、灰分、挥发分、硫分、G值、X值和Y值参数的配合煤数据送入BP神经网络算法搭建的预测模型中进行预测。图6为使用BP神经网络预测模型的焦炭热态质量参数与实际工业焦炉生产焦炭热态质量参数,由图可知,使用BP神经网络的预测模型预测的焦炭CRI和CSR指标与工业生产焦炭热态质量参数平均绝对误差值为3.914,BP神经网络算法无法对焦炭CRI和CSR指标进行准确的预测。
综上所述,利用本发明提供的配合煤数据跨域转换方法,同时搭配卷积神经网络人工智能模型,可以实现对焦炭热态质量的精准预测,从而满足实际炼焦生产的需要,减少生产成本并提高实际效率。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,其特征在于,该方法包括:
S1:配合煤数据跨域转换, 实现配合煤数据从数值域到图像域的转换;
S2:卷积神经网络预测, 利用基于图像域的配合煤数据特征来输出预测的焦炭热态质量数值。
2.根据权利要求1所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,其特征在于,在所述配合煤数据跨域转换的方法S1中,配合煤数据首先通过矩阵转置交换行列数据,随后利用数据降维压缩方法得到配合煤的不同参数在特征空间的坐标分布位置,并将配合煤不同参数的数值大小映射至对应的特征空间的参数坐标位置,将原数值从所在的结构化的数值域转换成非结构化的图像域。
3.根据权利要求2所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,其特征在于,所述数据降维压缩方法为无监督学习降维算法或有监督学习降维算法。
4.根据权利要求1或3所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,其特征在于,在所述卷积神经网络预测的方法S2中,卷积神经网络为经过训练后的人工智能模型;卷积神经网络包含卷积层、池化层及全连接层;卷积层用于提取转换后的基于图像域的配合煤数据的二维特征,池化层用于降低卷积神经网络推理时的参数量,全连接层用于汇总从卷积层中提取到的二维特征,并用作为模型的最终预测输出;卷积神经网络的输入为基于图像域的配合煤数据,输出的参数为焦炭热态质量指标。
5.根据权利要求4所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法,其特征在于,所述焦炭热态质量指标包括焦炭反应性CRI和焦炭反应后强度CSR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770003.2A CN116504329B (zh) | 2023-06-28 | 2023-06-28 | 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770003.2A CN116504329B (zh) | 2023-06-28 | 2023-06-28 | 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116504329A true CN116504329A (zh) | 2023-07-28 |
CN116504329B CN116504329B (zh) | 2023-09-15 |
Family
ID=87330546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770003.2A Active CN116504329B (zh) | 2023-06-28 | 2023-06-28 | 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116504329B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669395A (zh) * | 2024-02-02 | 2024-03-08 | 苏州工业园区蒙纳士科学技术研究院 | 改善焦炭热态质量预测模型适用性的领域自适应训练方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717506A (zh) * | 2018-06-25 | 2018-10-30 | 华北理工大学 | 一种预测焦炭热态强度的方法 |
CN112508226A (zh) * | 2020-10-29 | 2021-03-16 | 华能国际电力股份有限公司玉环电厂 | 一种火电厂煤场场损预测方法及系统 |
CN115186914A (zh) * | 2022-07-22 | 2022-10-14 | 合肥城市云数据中心股份有限公司 | 一种基于bp神经网络的焦炭质量预测方法及系统 |
CN115311509A (zh) * | 2022-08-29 | 2022-11-08 | 广东电网有限责任公司广州供电局 | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 |
CN116165703A (zh) * | 2023-02-24 | 2023-05-26 | 西安石油大学 | 基于流形学习算法的地震数据特征提取方法及系统 |
CN116186590A (zh) * | 2023-03-06 | 2023-05-30 | 华北电力大学(保定) | 基于数据层特征融合和卷积神经网络的轴承故障诊断方法 |
-
2023
- 2023-06-28 CN CN202310770003.2A patent/CN116504329B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717506A (zh) * | 2018-06-25 | 2018-10-30 | 华北理工大学 | 一种预测焦炭热态强度的方法 |
CN112508226A (zh) * | 2020-10-29 | 2021-03-16 | 华能国际电力股份有限公司玉环电厂 | 一种火电厂煤场场损预测方法及系统 |
CN115186914A (zh) * | 2022-07-22 | 2022-10-14 | 合肥城市云数据中心股份有限公司 | 一种基于bp神经网络的焦炭质量预测方法及系统 |
CN115311509A (zh) * | 2022-08-29 | 2022-11-08 | 广东电网有限责任公司广州供电局 | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 |
CN116165703A (zh) * | 2023-02-24 | 2023-05-26 | 西安石油大学 | 基于流形学习算法的地震数据特征提取方法及系统 |
CN116186590A (zh) * | 2023-03-06 | 2023-05-30 | 华北电力大学(保定) | 基于数据层特征融合和卷积神经网络的轴承故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669395A (zh) * | 2024-02-02 | 2024-03-08 | 苏州工业园区蒙纳士科学技术研究院 | 改善焦炭热态质量预测模型适用性的领域自适应训练方法 |
CN117669395B (zh) * | 2024-02-02 | 2024-05-07 | 苏州工业园区蒙纳士科学技术研究院 | 改善焦炭热态质量预测模型适用性的领域自适应训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116504329B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116504329B (zh) | 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 | |
CN107092743B (zh) | 基于规则辅助的高炉冶炼过程数据驱动建模方法 | |
CN106779384B (zh) | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 | |
Ma et al. | Edge-cloud cooperation-driven smart and sustainable production for energy-intensive manufacturing industries | |
CN111626476B (zh) | 一种风电场风力发电量预测方法 | |
CN110189800A (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
CN110288138B (zh) | 一种基于社区划分的空气质量指数预测的方法 | |
CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
CN108171381B (zh) | 一种高炉co利用率混沌加权一阶局部预测方法和系统 | |
CN100583136C (zh) | 一种高炉炼铁专家系统决策合成方法 | |
CN117689078A (zh) | 一种基于电力数据驱动的钢铁行业碳排放监测方法 | |
Wang et al. | Smart systems engineering contributing to an intelligent carbon-neutral future: opportunities, challenges, and prospects | |
CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
CN114692986A (zh) | 一种基于神经网络模型的炼焦人工智能配煤系统 | |
Yuan et al. | Stacked attention-based autoencoder with feature fusion and its application for quality prediction | |
CN113223639A (zh) | 一种用来探索钙钛矿氧化物的结构,组分和性质的方法 | |
CN117669395B (zh) | 改善焦炭热态质量预测模型适用性的领域自适应训练方法 | |
CN117473661A (zh) | 基于改进生成式网络的双膛炉优化方法 | |
CN117993739B (zh) | 基于数据去噪和补点修正的光伏出力超短期预测方法 | |
CN118332787A (zh) | 数理混合驱动的高炉冶炼系统建模与全局串行优化方法 | |
CN113343589B (zh) | 一种基于遗传-随机常数的基因表达式编程的酸性天然气水合物生成条件预测方法 | |
CN118070713A (zh) | 数值模拟与人工神经网络相耦合的焦化过程实时模拟方法 | |
CN118039003A (zh) | 基于分布与图卷积的高炉数字孪生系统硅含量预测方法 | |
CN113987942A (zh) | 一种基于深度学习的火电厂锅炉蒸汽量预测方法 |
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 |