CN116698890A - 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 - Google Patents
一种基于条件变分自编码器的变孔隙度数字岩心建模方法 Download PDFInfo
- Publication number
- CN116698890A CN116698890A CN202310607346.7A CN202310607346A CN116698890A CN 116698890 A CN116698890 A CN 116698890A CN 202310607346 A CN202310607346 A CN 202310607346A CN 116698890 A CN116698890 A CN 116698890A
- Authority
- CN
- China
- Prior art keywords
- encoder
- core
- digital core
- porosity
- variation self
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011435 rock Substances 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 7
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pulmonology (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于条件变分自编码器的变孔隙度数字岩心建模方法,属于数字岩心技术领域,包括:收集相同类型的储层岩心样品,构建三维数字岩心;将三维数字岩心切割为128×128×128体素的立方体三维数字岩心小块,分别计算每一个小块的孔隙度作为该小块的条件信息;将每一个三维数字岩心和孔隙度分别作为训练数据和条件信息输入条件变分自编码器模型中进行训练,得到训练好的条件变分自编码器模型;将任意孔隙度和从潜在空间中采样的随机向量输入训练好的条件变分自编码器模型,得到新的三维数字岩心。该方法能够构建任意孔隙度的数字岩心。
Description
技术领域
本发明属于数字岩心技术领域,具体涉及一种基于条件变分自编码器的变孔隙度数字岩心建模方法。
背景技术
近年来,数字岩心技术已成为地质勘探和地球物理研究的有效手段术,X射线CT扫描在数字岩心建模中得到广泛应用,而深度学习技术在数字岩心模型构建和分析方面发挥了关键作用。利用深度学习方法,基于现有的CT扫描数据可以高效地构建数字岩心,从而提高数字岩心建模的效率。
然而,这种方法难以对数字岩心模型参数进行精确控制,导致数字岩心建模精度不高,无法满足特定要求的数字岩心建模需求。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种基于条件变分自编码器的变孔隙度数字岩心建模方法。
为了实现上述目的,本发明提供如下技术方案:
一种基于条件变分自编码器的变孔隙度数字岩心建模方法,包括:
收集储层岩心样品,构建三维数字岩心;
将三维数字岩心切割为128×128×128体素的立方体三维数字岩心小块,分别计算每一个小块的孔隙度作为每一个立方体三维数字岩心小块的条件信息;
将每一个三维数字岩心和每一个立方体三维数字岩心小块的孔隙度分别作为训练数据和条件信息输入条件变分自编码器模型的编码器中,编码器将三维数字岩心和孔隙度映射到一个潜在空间的分布,条件变分自编码器模型的解码器从潜在空间的采样和孔隙度中生成新的三维数字岩心,当新的三维数字岩心与输入条件变分自编码器模型的编码器的三维数字岩心相同时,条件变分自编码器模型的损失函数达到最小值;得到训练好的条件变分自编码器模型;
从潜在空间中采样一个服从标准正态分布的随机向量,将需要生成的数字岩心模型的孔隙度数值和随机向量输入训练好的条件变分自编码器模型的解码器中,得到需要生成的三维数字岩心模型。
进一步,所述收集储层岩心样品,构建三维数字岩心;包括:
收集某地区相同类型的储层岩心样品进行CT扫描、FIB-SEM扫描,经滤波降噪、图像分割后,构建三维数字岩心。
进一步,所述编码器和解码器包括:卷积层、批量归一化和激活函数层。
进一步,所述条件变分自编码器的损失函数包括重构损失、KL散度损失、条件损失;
重构损失用于衡量生成数字岩心与原始数字岩心之间的距离;KL散度损失用于衡量潜在变量的分布与标准正态分布之间的距离;条件损失用于将孔隙度添加到生成模型中。
进一步,所述重构损失为:
其中n为样本数量,x、y分别为真实值和预测值。
进一步,所述KL散度损失为:
其中,μ表示学习到的潜在分布的均值,σ2表示学习到的潜在分布的方差。
本发明提供的一种基于条件变分自编码器的变孔隙度数字岩心建模方法具有以下有益效果:
本发明提出了一种通过条件变分自编码器构建不同孔隙度数字岩心的建模方法,控制数字岩心建模的孔隙度范围,以提高数字岩心构建效率。利用深度学习构建同一类型样品不同孔隙度的数字岩心,对于孔隙结构分析和岩石物理属性数值模拟等具有重要价值,为地质和地球物理研究提供有效的技术支撑。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,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为一种基于条件变分自编码器的变孔隙度数字岩心建模流程示意图;
图2为训练用的三维数字岩心;
图3为任意孔隙度的三维数字岩心构建结果。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例:
本发明提供了一种基于条件变分自编码器的变孔隙度数字岩心建模方法,具体如图1所示,包括:收集相同类型的储层岩心样品,构建三维数字岩心;将三维数字岩心切割为128×128×128体素的立方体三维数字岩心小块,分别计算每一个小块的孔隙度作为该小块的条件信息;将每一个三维数字岩心和孔隙度分别作为训练数据和条件信息输入条件变分自编码器模型中进行训练,得到训练好的条件变分自编码器模型;将任意孔隙度和从潜在空间中采样的随机向量输入训练好的条件变分自编码器模型,得到新的三维数字岩心。
以下为本发明具体实施细节:
1.样品收集:收集某地区相同类型的储层岩心样品进行CT扫描、FIB-SEM扫描等实验,经滤波降噪、图像分割等处理方法,构建三维数字岩心。将所有构建的三维数字岩心分别切割为128×128×128体素的立方体三维数字岩心小块,分别计算每一个小块的孔隙度作为该小块的条件信息。
2.模型架构:
条件变分自编码器(CVAE)由两部分组成:编码器和解码器。
编码器将输入数据(三维数字岩心)和条件信息(孔隙度)映射到一个潜在空间的分布,解码器从潜在空间的采样和条件信息(孔隙度)中生成数据(新的三维数字岩心)。
编码器和解码器由卷积层、批量归一化和激活函数组成。
3.损失函数:CVAE的损失函数包括重构损失、KL散度损失和条件损失。重构损失用于衡量生成数字岩心与原始数字岩心之间的距离,即重构数字岩心的质量;KL散度损失用于衡量潜在变量的分布与标准正态分布之间的距离,条件损失用于将条件信息(孔隙度)添加到生成模型中。
其中重构损失使用平均平方误差(MSE)计算:
其中n为样本数量,x、y分别为真实值和预测值。
KL散度损失:
条件损失同样使用MSE损失。
4.训练模型:将每一个三维数字岩心和孔隙度分别作为训练数据和条件信息输入条件变分自编码器模型中进行训练。对于每个训练样本,计算损失并更新模型参数。该过程使用反向传播算法来完成。
5.模型验证:训练结束后,使用测试数据集评估模型的性能,计算模型的重构损失、条件损失和生成样本的质量来评估模型的性能。
6.使用模型生成新的三维数字岩心样品:经过训练的CVAE可以用于生成任意孔隙度的新样本。输入任意孔隙度和从潜在空间中采样的随机向量即可生成新的三维数字岩心。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (6)
1.一种基于条件变分自编码器的变孔隙度数字岩心建模方法,其特征在于,包括:
收集储层岩心样品,构建三维数字岩心;
将三维数字岩心切割为128×128×128体素的立方体三维数字岩心小块,分别计算每一个小块的孔隙度作为每一个立方体三维数字岩心小块的条件信息;
将每一个三维数字岩心和每一个立方体三维数字岩心小块的孔隙度分别作为训练数据和条件信息输入条件变分自编码器模型的编码器中,编码器将三维数字岩心和孔隙度映射到一个潜在空间的分布,条件变分自编码器模型的解码器从潜在空间的采样和孔隙度中生成新的三维数字岩心,当新的三维数字岩心与输入条件变分自编码器模型的编码器的三维数字岩心相同时,条件变分自编码器模型的损失函数达到最小值;得到训练好的条件变分自编码器模型;
从潜在空间中采样一个服从标准正态分布的随机向量,将需要生成的数字岩心模型的孔隙度数值和随机向量输入训练好的条件变分自编码器模型的解码器中,得到需要生成的三维数字岩心模型。
2.根据权利要求1所述的一种基于条件变分自编码器的变孔隙度数字岩心建模方法,其特征在于,所述收集储层岩心样品,构建三维数字岩心;包括:
收集某地区相同类型的储层岩心样品进行CT扫描、FIB-SEM扫描,经滤波降噪、图像分割后,构建三维数字岩心。
3.根据权利要求1所述的一种基于条件变分自编码器的变孔隙度数字岩心建模方法,其特征在于,所述编码器和解码器包括:依次连接的卷积层、批量归一化和激活函数层。
4.根据权利要求1所述的一种基于条件变分自编码器的变孔隙度数字岩心建模方法,其特征在于,所述条件变分自编码器模型的损失函数包括重构损失、KL散度损失、条件损失;
重构损失用于衡量生成数字岩心与原始数字岩心之间的距离;KL散度损失用于衡量潜在变量的分布与标准正态分布之间的距离;条件损失用于将孔隙度添加到生成模型中。
5.根据权利要求4所述的一种基于条件变分自编码器的变孔隙度数字岩心建模方法,其特征在于,所述重构损失为:
其中n为样本数量,x、y分别为真实值和预测值。
6.根据权利要求4所述的一种基于条件变分自编码器的变孔隙度数字岩心建模方法,其特征在于,所述KL散度损失为:
其中,μ表示学习到的潜在分布的均值,σ2表示学习到的潜在分布的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310607346.7A CN116698890A (zh) | 2023-05-26 | 2023-05-26 | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310607346.7A CN116698890A (zh) | 2023-05-26 | 2023-05-26 | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116698890A true CN116698890A (zh) | 2023-09-05 |
Family
ID=87834995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310607346.7A Pending CN116698890A (zh) | 2023-05-26 | 2023-05-26 | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698890A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830510A (zh) * | 2023-12-05 | 2024-04-05 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
CN117975174A (zh) * | 2024-04-02 | 2024-05-03 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
CN117974896A (zh) * | 2024-01-30 | 2024-05-03 | 成都北方石油勘探开发技术有限公司 | 融合多源实验与变分扩散模型的数字岩心构建方法及系统 |
CN117830510B (zh) * | 2023-12-05 | 2024-10-15 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
-
2023
- 2023-05-26 CN CN202310607346.7A patent/CN116698890A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830510A (zh) * | 2023-12-05 | 2024-04-05 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
CN117830510B (zh) * | 2023-12-05 | 2024-10-15 | 中国石油大学(华东) | 基于扩散模型的多条件约束三维数字岩心生成方法 |
CN117974896A (zh) * | 2024-01-30 | 2024-05-03 | 成都北方石油勘探开发技术有限公司 | 融合多源实验与变分扩散模型的数字岩心构建方法及系统 |
CN117975174A (zh) * | 2024-04-02 | 2024-05-03 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
CN117975174B (zh) * | 2024-04-02 | 2024-06-04 | 西南石油大学 | 一种基于改进vqgan的三维数字岩心重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116698890A (zh) | 一种基于条件变分自编码器的变孔隙度数字岩心建模方法 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN103698803B (zh) | 一种岩石孔隙结构表征方法及装置 | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN108876901A (zh) | 一种基于二维图像和多点统计学的数字岩心重建方法 | |
CN109447249B (zh) | 一种基于深度卷积的对抗神经网络测井数据重建方法 | |
CN112381916B (zh) | 一种利用二维薄片图像的数字岩心三维结构重建方法 | |
Zheng et al. | RockGPT: reconstructing three-dimensional digital rocks from single two-dimensional slice with deep learning | |
Zhang et al. | GPU-accelerated 3D reconstruction of porous media using multiple-point statistics | |
CN108665546B (zh) | 一种结合深度学习的多点地质统计三维建模方法 | |
CN116934780B (zh) | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 | |
CN114783034A (zh) | 基于局部敏感特征与全局特征融合的人脸表情识别方法 | |
CN116626753B (zh) | 一种基于多模态神经网络的微地震事件识别方法及系统 | |
CN114078183A (zh) | 多孔介质三维结构的重建方法、装置、设备及介质 | |
CN117611485B (zh) | 一种基于时空图神经网络的三维岩心渗透率预测方法 | |
Zhao et al. | Efficient uncertainty quantification for permeability of three-dimensional porous media through image analysis and pore-scale simulations | |
CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
CN111724331A (zh) | 一种基于生成网络的多孔介质图像重建方法 | |
CN112634428A (zh) | 一种基于双向循环生成网络的多孔介质三维图像重建方法 | |
Zhang et al. | Reconstruction of porous media using multiple-point statistics with data conditioning | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
CN117390435A (zh) | 基于双线性自编码神经网络的鲁棒主成分分析方法 | |
CN115456867A (zh) | 一种数字岩心重构方法 | |
Zhang et al. | Stochastic reconstruction of porous media based on attention mechanisms and multi-stage generative adversarial network | |
CN117094234B (zh) | 融合卷积神经网络和自注意力模型的滑坡易发性评价方法 |
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 |