CN117057248A - 一种基于神经网络的机箱风扇排布风道预测方法 - Google Patents
一种基于神经网络的机箱风扇排布风道预测方法 Download PDFInfo
- Publication number
- CN117057248A CN117057248A CN202311080638.6A CN202311080638A CN117057248A CN 117057248 A CN117057248 A CN 117057248A CN 202311080638 A CN202311080638 A CN 202311080638A CN 117057248 A CN117057248 A CN 117057248A
- Authority
- CN
- China
- Prior art keywords
- fan
- neural network
- pressure
- chassis
- network model
- 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 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
- G06F1/206—Cooling means comprising thermal management
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的机箱风扇排布风道预测方法,利用压力传感器获取机箱运行过程中每个风扇位的压力,并将其分别分解到x和y方向上;模拟机箱在相同条件下每个风扇位沿x和y方向的流场数据,分别获得每个风扇位沿x和y方向上的平均压力模拟值,并将平均压力模拟值进行合成;输出模拟的流场数据;将模拟得到的流场和压力场数据分成训练集和验证集,利用训练集训练神经网络模型,并利用验证集对神经网络模型进行验证;利用完成验证后的神经网络模型对机箱中任意风扇位置预测机箱风道。本发明通过将机箱内向量场的流场拆分成标量场的速度分量,从而使神经网络难以识别的向量场数据转变为可以提供给神经网络的标量场数据。
Description
技术领域
本发明涉及机箱风扇风道预测技术,特别涉及一种基于神经网络的机箱风扇排布风道预测方法。
背景技术
个人计算机及大型计算服务器是人类生活及生产活动的重要工具,具有广阔的市场。但是计算机运行过程中会产生大量的热量,积热导致的温度升高会影响计算机的正常运行,严重的甚至会导致过载、宕机等问题,从而损害到计算机的使用寿命。为解决散热问题,需要对机箱及机箱内的主要配件进行散热,而目前机箱的主要散热方式主要为风冷和水冷。风冷技术通过在机箱侧面及内部布置相应的风扇形成风道,将热量排出机箱。合理的风道设计可有效减小计算机运行过程中的热负荷问题。
然而,市面上有大量的机箱类型,每种机箱可布置风扇的数量和位置也不尽相同。另外,市面上不同品牌不同功率的风扇有大量的选择,选择错误的风扇,或者不合理的布置,未必可以获得最佳的散热流道,同时也有相应的成本问题。同时,由于气流的不可见的特征,人们很难直接了解到机箱内的流道。尽管可以通过数值模拟的方法获得机箱内部流场的具体特征,但每次风扇选型安装后,不同的布置会带来机箱内流场的变化。如果每一次都重新进行模拟计算,不仅消耗时间,也消耗计算资源。
发明内容
发明目的:针对以上问题,本发明目的是提供一种基于神经网络的机箱风扇排布风道预测方法,利用机器学习的方法,对给定风扇布置的机箱内的流场进行预测,为机箱散热提供指导。
技术方案:本发明的一种基于神经网络的机箱风扇排布风道预测方法,包括以下步骤:
步骤1,在机箱每个风扇位分别均匀布置至少4个压力传感器,利用压力传感器获取机箱运行过程中每个风扇位的压力,记为P1;
步骤2,将每个风扇位的压力分别分解到x和y方向上,将每个风扇位在x方向上的压力记为Px,每个风扇位在y方向上的压力记为Py;其中x方向为水平方向,y方向为竖直方向;
步骤3,利用格子玻尔兹曼方法模拟机箱在相同条件下每个风扇位沿x和y方向的流场数据,分别获得每个风扇位沿x和y方向上的平均压力模拟值;
步骤4,将风扇位沿x和y方向上的平均压力模拟值进行合成,将合成后的压力模拟值记为P2,比较P1和P2的压力差,当压力差小于预设值时,认可模拟值,并输出模拟的流场数据;
步骤5,将步骤4中模拟得到的流场和压力场数据分成训练集和验证集,利用训练集训练神经网络模型,并利用验证集对神经网络模型进行验证;
步骤6,利用完成验证后的神经网络模型对机箱中任意风扇位置预测机箱风道。
进一步,在步骤1中,利用均值表示风扇位的压力,则/>其中均值的表达式为:
其中,N表示压力传感器的总数量,N≥4,下标p表示机箱中的第p个风扇位。
进一步,在步骤2中风扇位的压力满足下式:
式中,表示机箱中的第p个风扇位x方向上的平均压力,/>表示机箱中的第p个风扇位y方向上的平均压力。
进一步,在步骤3中每个风扇位沿x方向上的平均压力模拟值表达式为:
每个风扇位沿y方向上的平均压力模拟值表达式为:
其中,len表示风扇的长,表示每个风扇位沿x方向上的压力模拟值,/>表示每个风扇位沿y方向上的压力模拟值。
进一步,步骤4中合成后的压力模拟值表达式为:
式中,i、j分别表示x和y方向上的向量,
其中P1和P2压力差表达式为:
进一步,神经网络模型的输入参数为风扇位的压力值PK,K表示第K个风扇位,当K为0时表示该位置不布置风扇,将速度场值速度分解成绝对速度|u|和速度分量作为神经网络模型的输出参数;其中速度分量包括风扇位对应坐标(x,y)下x方向速度分量ux以及y方向速度分量uy。
进一步,步骤6之前还包括:
对神经网络模型进行验证,当神经网络模型预测的流场与模拟流场的误差不大于预设值φ0时,则完成神经网络模型的验证;其中φ表示验证的物理量,包括绝对速度|u|、速度分量ux和uy。
有益效果:本发明与现有技术相比,其显著优点是:
1、本发明通过将机箱内向量场的流场拆分成标量场的速度分量,从而使神经网络难以识别的向量场数据转变为可以提供给神经网络的标量场数据,再将标量场进行合成转换回向量场;
2、本发明通过训练神经网络,可以对不同风扇选型及风扇布置的机箱内流场进行预测,从而为机箱风冷散热提供指导,降低了盲目选型和布置风扇的经济浪费;
3、本发明通过神经网络对不同风扇选型及风扇布置的机箱内流场进行预测,提供了机箱内风道的可视化呈现,减少了模拟流场的计算浪费。
附图说明
图1是实施例中的基于神经网络的机箱风扇排布风道预测方法的流程框图;
图2是机箱、风扇安装位置及压力传感器布置示意图;
图3是多层感知神经网络模型的结构示意图;
图4为机箱二维流场速度分量ux、uy云图、|u|云图和速度场u云图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
如图1所示为本实施例所述的一种基于神经网络的机箱风扇排布风道预测方法的流程框图,该方法包括以下步骤:
步骤1,在机箱每个风扇位分别均匀布置至少4个压力传感器,利用压力传感器获取机箱运行过程中每个风扇位的压力,记为P1。
具体地,在步骤1中,利用均值表示每个风扇位的压力,则/>其中均值的表达式为:
其中,N表示压力传感器的总数量,N≥4,下标p表示机箱中的第p个风扇位。
在一个示例中选择的机箱结构、风扇安装预留位、风扇压力传感器布置如图2左图所示,包括机箱1、机箱一号风扇2、机箱二号风扇3、机箱三号风扇4、机箱四号风扇5以及cpu风扇6,为简单进行演示说明本示例中只选用四个压力传感器对风扇位的压力进行检测,其中第一压力传感器7、第二压力传感器8、第三压力传感器9和第四压力传感器10安装在风扇靠近机箱外侧部位,具体地如图2右图所示,安装在机箱一号风扇2、机箱三号风扇4左侧,以及机箱二号风扇3和机箱四号风扇5的右侧。
步骤2,将每个风扇位的压力分别分解到x和y方向上;其中x方向为水平方向,y方向为竖直方向;
具体地,上述步骤2中风扇位的压力值满足下式:
式中,表示机箱中的第p个风扇位x方向上的平均压力,/>表示机箱中的第p个风扇位y方向上的平均压力。
步骤3,利用格子玻尔兹曼方法模拟机箱在相同条件下每个风扇位沿x和y方向的流场数据,分别获得每个风扇位沿x和y方向上的平均压力模拟值。
具体地,上述步骤3中每个风扇位沿x方向上的平均压力模拟值表达式为:
每个风扇位沿y方向上的平均压力模拟值表达式为:
其中,len表示风扇的长度,表示每个风扇位沿x方向上的压力模拟值,/>表示每个风扇位沿y方向上的压力模拟值。
在一个示例中,如图2所示的机箱结构,压力传感器布置在每个风扇的位置如图所示,压力传感器与风扇的长度len的关系表示为:
其中x和y分别表示压力传感器的横坐标和纵坐标,下标1-4分别表示四个压力传感器。
具体地,为获得用于训练和检验神经网络模型的流场数据,本实施例中采用了格子玻尔兹曼方法来求解稳态流场,求解的演化方程为:
式中fα表示指向α方向的密度分布函数,x为当格点位置向量,Δt为时间步,G为重力。表示平衡态分布函数,定义为:
另外方向向量eα和无量纲弛豫时间τf表达式为:
式中cs为格子声速,c=(Δx/Δt)表示格子速度。
另外ωα表示指向α方向的权系数,定义为:
按照风扇选型和布置设定好数值模拟边界条件后,开始计算,采用如下收敛判据:
当满足以上判据时认为计算达到了稳态。
进一步,为了匹配格子玻尔兹曼模拟结果与神经网络模型输入矩阵的大小,方便输入神经网络模型进行训练和预测,采用反距离加权平均对模拟结果进行重新采样,输出符合神经网络模型输入大小的云图数据。在(x,y)处的物理量可以表示为:
式中(Xs,Ys)表示第s个到插值点(x,y)距离diss≤dis0的点,λs为该点权系数,dis0为某给定距离:
步骤4,将风扇位沿x和y方向上的平均压力模拟值进行合成,将合成后的压力模拟值记为P2,比较P1和P2的压力差,当压力差小于预设值时,认可模拟值,并输出模拟的流场数据。
具体地,上述步骤4中合成后的压力模拟值表达式为:
式中,i、j分别表示x和y方向上的向量,
其中P1和P2压力差表达式为:
在一个示例中,上述步骤4中的压力值预设值可以设为0.05,当时,认可模拟结果。
步骤5,将步骤4中模拟得到的流场和压力场数据分成训练集和验证集,利用训练集训练神经网络模型,并利用验证集对神经网络模型进行验证。
具体地,神经网络模型的输入参数为风扇位的压力值PK,K表示第K个风扇位,当K为0时表示该位置不布置风扇,将速度场值速度分解成绝对速度|u|和速度分量作为神经网络模型的输出参数;其中速度分量包括风扇位对应坐标(x,y)下x方向速度分量ux以及y方向速度分量uy。
在一个示例中,上述步骤5中的神经网络模型可以为多层感知神经网络,包括输入层、输出层以及多个隐藏层,第m层的第k个节点的输出值为:
式中表示上一层第j个节点到当前层第k个节点的权系数,/>表示当前节点的偏置项,而σm为当前层的非线性激活函数,表达式为:
进一步地,在上述神经网络模型训练过程中,损失函数采用MAE函数计算平均绝对误差,表达式为:
进一步地,上述神经网络模型训练过程中,需进行超参数优化,包括但不限于隐藏层层数、每一层对应的节点数、偏置项大小等。
步骤6,利用完成验证后的神经网络模型对机箱中任意风扇位置预测机箱风道。
具体地,在步骤6之前还包括:
对神经网络模型进行验证,当神经网络模型预测的流场与模拟流场的误差不大于预设值φ0时,则完成神经网络模型的验证;其中φ表示验证的物理量,包括绝对速度|u|、速度分量ux和uy。
在一个示例中,上述预设值φ0可以取值为0.0001,即当神经网络预测的流场与模拟流场的误差时,完成神经网络的验证。
利用以下示例进一步说明本发明的有效性,选用如图2所示的机箱结构以及风扇布置位置进行研究,其中包括4个机箱风扇和1个cpu风扇位。在所研究机箱上风扇安装位随机选用不同厂家不同功率的风扇,或者选择空置部分风扇安装位,则获得数据集D(p1,p2,p3,p4,p5),共10组,分别为D1,D2…D10。通过模拟压力值与压力传感器实际测得压力值进行比较后,认可 数据集,弃用/>数据集(在符号上加横线表示模拟值以作区分)。采用/>构成的数据集训练神经网络模型。利用模拟压力值构成的验证集数据对神经网络模型进行验证,计算误差/>时,完成神经网络的验证。本实施例中Error(ux)=0.000069,Error(uy)=0.00000025,Error(|u|)=0.00000014。又经过三次验证,每次每种误差均小于0.0001。对所研究的机箱,在对应的风扇安装位置,安装特定功率的风扇或选择不安装风扇,得到一个新数据集D,则可以输入神经网络,获得对应的ux,uy,|u|云图,如图4a、图4b和图4c所示,根据云图可返回所预测的流场速度云图如图4d所示。
本实施案例中采用的多层感知神经网络的结构示意图如图3所示。神经网络通过C++编程实现,经训练后,可以模拟预测不同风扇布置与功率下的机箱空气流动情况。
本实施案例中采用的神经网络训练与验证数据集由格子玻尔兹曼方法计算得到。格子玻尔兹曼方法的具体实施通过C++编程实现。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于此,在所属技术领域的技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下可以作出的各种变化,都处于本发明权利要求的保护范围之内。
Claims (7)
1.一种基于神经网络的机箱风扇排布风道预测方法,其特征在于,包括以下步骤:
步骤1,在机箱每个风扇位分别均匀布置至少4个压力传感器,利用压力传感器获取机箱运行过程中每个风扇位的压力,记为P1;
步骤2,将每个风扇位的压力分别分解到x和y方向上;其中x方向为水平方向,y方向为竖直方向;
步骤3,利用格子玻尔兹曼方法模拟机箱在相同条件下每个风扇位沿x和y方向的流场数据,分别获得每个风扇位沿x和y方向上的平均压力模拟值;
步骤4,将风扇位沿x和y方向上的平均压力模拟值进行合成,将合成后的压力模拟值记为P2,比较P1和P2的压力差,当压力差小于预设值时,认可模拟值,并输出模拟的流场数据;
步骤5,将步骤4中模拟得到的流场和压力场数据分成训练集和验证集,利用训练集训练神经网络模型,并利用验证集对神经网络模型进行验证;
步骤6,利用完成验证后的神经网络模型对机箱中任意风扇位置预测机箱风道。
2.根据权利要求1所述的基于神经网络的机箱风扇排布风道预测方法,其特征在于,在步骤1中,利用均值表示风扇位的压力,则/>其中均值的表达式为:
其中,N表示压力传感器的总数量,N≥4,下标p表示机箱中的第p个风扇位。
3.根据权利要求2所述的基于神经网络的机箱风扇排布风道预测方法,其特征在于,在步骤2中风扇位的压力满足下式:
式中,表示机箱中的第p个风扇位x方向上的平均压力,/>表示机箱中的第p个风扇位y方向上的平均压力,i、j分别表示x和y方向上的向量。
4.根据权利要求3所述的基于神经网络的机箱风扇排布风道预测方法,其特征在于,在步骤3中每个风扇位沿x方向上的平均压力模拟值表达式为:
每个风扇位沿y方向上的平均压力模拟值表达式为:
其中,len表示风扇的长,表示每个风扇位沿x方向上的压力模拟值,/>表示每个风扇位沿y方向上的压力模拟值。
5.根据权利要求4所述的基于神经网络的机箱风扇排布风道预测方法,其特征在于,步骤4中合成后的压力模拟值表达式为:
式中,i、j分别表示x和y方向上的向量,
其中P1和P2压力差表达式为:
6.根据权利要求5所述的基于神经网络的机箱风扇排布风道预测方法,其特征在于,神经网络模型的输入参数为风扇位的压力值PK,K表示第K个风扇位,当K为0时表示该位置不布置风扇,将速度场值速度分解成绝对速度|u|和速度分量作为神经网络模型的输出参数;其中速度分量包括风扇位对应坐标(x,y)下x方向速度分量ux以及y方向速度分量uy。
7.根据权利要求6所述的基于神经网络的机箱风扇排布风道预测方法,其特征在于,步骤6之前还包括:
对神经网络模型进行验证,当神经网络模型预测的流场与模拟流场的误差不大于预设值φ0时,则完成神经网络模型的验证;其中φ表示验证的物理量,包括绝对速度|u|、速度分量ux和uy。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080638.6A CN117057248A (zh) | 2023-08-24 | 2023-08-24 | 一种基于神经网络的机箱风扇排布风道预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080638.6A CN117057248A (zh) | 2023-08-24 | 2023-08-24 | 一种基于神经网络的机箱风扇排布风道预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057248A true CN117057248A (zh) | 2023-11-14 |
Family
ID=88666039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080638.6A Pending CN117057248A (zh) | 2023-08-24 | 2023-08-24 | 一种基于神经网络的机箱风扇排布风道预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057248A (zh) |
-
2023
- 2023-08-24 CN CN202311080638.6A patent/CN117057248A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102741833B (zh) | 用于数据中心的基于知识的模型 | |
Okaze et al. | Large-eddy simulation of flow around an isolated building: A step-by-step analysis of influencing factors on turbulent statistics | |
US7644051B1 (en) | Management of data centers using a model | |
EP2915080B1 (en) | System and method for fluid dynamics prediction with an enhanced potential flow model | |
Lund et al. | Parameter ranking by orthogonalization—Applied to nonlinear mechanistic models | |
Deng et al. | Interval model updating using perturbation method and radial basis function neural networks | |
Liu et al. | Development of a fast fluid dynamics-based adjoint method for the inverse design of indoor environments | |
Liu et al. | Implementation of a fast fluid dynamics model in OpenFOAM for simulating indoor airflow | |
Fang et al. | A neural-network enhanced modeling method for real-time evaluation of the temperature distribution in a data center | |
Fontanini et al. | Constructing Markov matrices for real-time transient contaminant transport analysis for indoor environments | |
Shin et al. | Rapid monitoring of indoor air quality for efficient HVAC systems using fully convolutional network deep learning model | |
Papakonstantinou et al. | Computational analysis of thermal comfort: the case of the archaeological museum of Athens | |
Lin | Wavelet neural networks with a hybrid learning approach | |
Jin et al. | Accelerating fast fluid dynamics with a coarse-grid projection scheme | |
Xu et al. | G2 surface modeling using minimal mean-curvature-variation flow | |
Phan et al. | CFD-based response surface methodology for rapid thermal simulation and optimal design of data centers | |
Liu et al. | An open-source and experimentally guided CFD strategy for predicting air distribution in data centers with air-cooling | |
CN117057248A (zh) | 一种基于神经网络的机箱风扇排布风道预测方法 | |
Ben-Nakhi et al. | Inter-model comparison of CFD and neural network analysis of natural convection heat transfer in a partitioned enclosure | |
JP6114172B2 (ja) | サーバ室に設置される機器の位置を決定する方法 | |
CN113569502B (zh) | 汽车行业机加工厂房车间的气流速度预测方法 | |
GB2610193A (en) | Simulation method and system | |
US10248766B2 (en) | Simulation method and analyzing device | |
CN117413273A (zh) | 用于监控封闭空间环境的方法、装置和计算机存储介质 | |
KR20210036085A (ko) | 심층신경망 스플라인 보간법을 활용한 체감온도 및 열지수 데이터 추정 장치 및 방법 |
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 |