CN117789891A - 一种基于集成学习的改性沥青逆向设计方法 - Google Patents
一种基于集成学习的改性沥青逆向设计方法 Download PDFInfo
- Publication number
- CN117789891A CN117789891A CN202410068509.3A CN202410068509A CN117789891A CN 117789891 A CN117789891 A CN 117789891A CN 202410068509 A CN202410068509 A CN 202410068509A CN 117789891 A CN117789891 A CN 117789891A
- Authority
- CN
- China
- Prior art keywords
- modified asphalt
- data
- asphalt
- model
- modifier
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013461 design Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 239000003607 modifier Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000002156 mixing Methods 0.000 claims abstract description 18
- 229920001971 elastomer Polymers 0.000 claims abstract description 17
- 239000000843 powder Substances 0.000 claims abstract description 17
- 239000005060 rubber Substances 0.000 claims abstract description 17
- 238000010008 shearing Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 239000003381 stabilizer Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 239000002174 Styrene-butadiene Substances 0.000 claims description 7
- MTAZNLWOLGHBHU-UHFFFAOYSA-N butadiene-styrene rubber Chemical compound C=CC=C.C=CC1=CC=CC=C1 MTAZNLWOLGHBHU-UHFFFAOYSA-N 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000011115 styrene butadiene Substances 0.000 claims description 7
- 229920003048 styrene butadiene rubber Polymers 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical group [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 238000012407 engineering method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Compositions Of Macromolecular Compounds (AREA)
Abstract
本发明公开了一种基于集成学习的改性沥青逆向设计方法,所述方法基于高速剪切机制备了不同掺量的SBS改性沥青和橡胶粉改性沥青;采用动态剪切流变仪对改性沥青进行频率扫描;基于改性剂掺量‑频率‑温度‑复数模量‑相位角建立一一对应关系的数据集;将数据集划分为训练集和测试集;基于训练集训练改性沥青逆向设计模型;基于测试集评估模型的准确性。该方法揭示了改性剂掺量与改性沥青性能间的相关关系,实现基于特定试验条件下的改性沥青性能需求快速得到相应改性剂掺量的目的,极大的缩短了时间周期,节约了自然资源,对于提升沥青材料的整体智能化水平具有重大意义。
Description
技术领域
本发明属于沥青材料领域,涉及一种沥青材料逆向设计方法,具体涉及一种基于集成学习的改性沥青逆向设计方法。
背景技术
沥青是一种重要的筑路材料,沥青的性能直接影响到道路的使用寿命,在沥青中添加改性剂制备改性沥青是一种常见的提升沥青性能的方法,苯乙烯-丁二烯SBS共聚物和橡胶粉是目前使用最为广泛的改性剂。改性剂掺量的确定是制备改性沥青的关键所在。目前,确定改性剂掺量的方法主要是依靠经验试错法,即不断改变掺量并进行试验,直到满足性能要求。这种方法极大的增加了试验时间,并浪费了自然资源。若是能建立起改性剂掺量与改性沥青性能之间的关系将会是解决现有问题的有效途径,并为高性能沥青材料的开发提供有力支持。
机器学习可以利用大量数据,自动发现数据中的模式和规律,从而实现自主学习和自适应性调整,实现自动化的决策和预测。目前机器学习方法已经在许多领域取得了突破性进展,包括语音识别、图像识别、自然语言处理、医疗诊断、金融预测等。随着技术的不断发展和算法的不断优化,目前人们利用机器学习方法已经开展了改性剂掺量与改性沥青性能的关系研究,但是均是集中于由改性剂掺量及试验条件预测改性沥青性能的正向预测模型研究,并未从根本上改变试错法所带来的种种弊端。因此,建立由改性沥青性能反推改性剂掺量的改性沥青逆向设计模型已经成为一个亟待解决的问题。
集成学习是一种对传统机器学习的改进策略,传统的机器学习方法通常使用单个模型或算法来解决问题,如逻辑回归、决策树等。集成学习的基本思想是将多个不同的学习算法或模型结合成一个强大的模型,从而提高整体性能,更好地适应真实世界中的复杂问题。随机森林是一种基于决策树的强大集成学习算法,它可以直接处理高维度的数据,无需进行特征选择与提取,并且拥有较快的训练速度。因此,随机森林在建立改性沥青逆向设计模型方面具备巨大潜力。
发明内容
针对传统试错法制备改性沥青面临的时间周期长,资源浪费大,污染排放多的问题,本发明提供了一种基于集成学习的改性沥青逆向设计方法。该方法揭示了改性剂掺量与改性沥青性能间的相关关系,实现基于特定试验条件下的改性沥青性能需求快速得到相应改性剂掺量的目的,极大的缩短了时间周期,节约了自然资源,对于提升沥青材料的整体智能化水平具有重大意义。
本发明的目的是通过以下技术方案实现的:
一种基于集成学习的改性沥青逆向设计方法,包括如下步骤:
步骤一:选取一种沥青作为基质沥青,选取一种苯乙烯-丁二烯SBS共聚物和一种橡胶粉为改性剂,确定苯乙烯-丁二烯SBS共聚物的掺量与橡胶粉掺量,采用高速剪切机分别制备SBS改性沥青和橡胶粉改性沥青;
步骤二:确定不同的施加频率及测试温度,采用动态剪切流变仪对改性沥青进行频率扫描测试沥青的复数模量和相位角以描述改性沥青的黏弹性能;
步骤三:基于改性剂掺量-频率-温度-复数模量-相位角建立一一对应关系的数据集,去除数据集异常数据,对数据集数据进行均值化处理以消除量纲影响;
步骤四:调用数据分割工具将步骤三建立的数据集划分为训练集和测试集,训练集数据用于训练模型,测试集数据用于测试模型的准确性;
步骤五:选择适当数量决策树搭建基于随机森林算法的改性沥青逆向设计模型,以频率-温度-复数模量-相位角为模型输入,改性剂掺量为模型输出,基于步骤四中划分的训练集数据对模型进行训练,并基于网格搜索法和交叉验证法优化模型参数;
步骤六:基于步骤四中划分的测试集数据对步骤五中建立的改性沥青逆向设计模型进行检验,以相关系数r评估模型的准确性。
相比于现有技术,本发明具有如下优点:
本发明建立了改性沥青的逆向设计模型,实现了基于特定试验条件下的沥青性能需求直接设计改性剂掺量的目的,从根本上解决了传统试错法制备改性沥青的盲目性,大大缩短了试验时间,节约了自然资源,为进一步提升沥青材料的智能化水平做出了贡献。
附图说明
图1为本发明改性沥青逆向设计方法的流程图;
图2为本发明改性沥青逆向设计方法的SBS改性沥青的验证图;
图3为本发明改性沥青逆向设计方法的橡胶粉改性沥青的验证图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于集成学习的改性沥青逆向设计方法,所述方法基于高速剪切机制备了不同掺量的SBS改性沥青和橡胶粉改性沥青;采用动态剪切流变仪对改性沥青进行频率扫描;基于改性剂掺量-频率-温度-复数模量-相位角建立一一对应关系的数据集;将数据集划分为训练集和测试集;基于训练集训练改性沥青逆向设计模型;基于测试集评估模型的准确性。如图1所述,具体包括如下步骤:
步骤一:选取一种70#沥青为基质沥青,选取一种苯乙烯-丁二烯SBS共聚物和一种60目的橡胶粉为改性剂,控制SBS共聚物掺量为3%、5%、7%,橡胶粉掺量为15%、20%、25%,采用高速剪切机分别制备SBS改性沥青和橡胶粉改性沥青。
本步骤中,改性沥青制备步骤包括:首先,计算改性剂、基质沥青及稳定剂含量,其中稳定剂为硫磺,掺量为千分之一点二;其次,加热沥青到180~200℃,放入改性剂后以500~1000r/min剪切5~15分钟;再次,以2000~4000r/min的转速剪切30~90min,并加入稳定剂以500~1000r/min剪切10~20min;最后,将改性沥青置于150~180℃烘箱中保温1~3小时。
步骤二:采用动态剪切流变仪对改性沥青进行频率扫描测试沥青的复数模量和相位角以描述改性沥青的黏弹性能,施加频率为60Hz、45Hz、30Hz、10Hz、5Hz、1Hz、0.5Hz、0.1Hz、0.05Hz、0.01Hz,测试温度为10℃、20℃、30℃、40℃、50℃、60℃。
步骤三:基于改性剂掺量-频率-温度-复数模量-相位角建立一一对应关系的数据集,去除数据集异常数据,对数据集数据进行均值化处理以消除量纲影响。
本步骤中,均值化的公式为:
其中,xi'为数据去量纲后的值,xi为数据原始数值,为数据均值。
步骤四:调用数据分割工具将步骤三建立的数据集按照9:1的比例划分为训练集和测试集,训练集数据用于训练模型,测试集数据用于测试模型的准确性。
步骤五:选择适当数量决策树搭建基于随机森林算法的改性沥青逆向设计模型,以频率-温度-复数模量-相位角为模型输入,改性剂掺量为模型输出,基于步骤四中划分的训练集数据对模型进行训练,并基于网格搜索法和交叉验证法优化模型参数。
本步骤中,随机森林通过随机选择数据的子集和特征的子集来构建多个决策树,然后通过投票的方式将这些决策树的结果结合起来,从而得到最终的预测结果。
步骤六:基于步骤四中划分的测试集数据对步骤五中建立的改性沥青逆向设计模型进行检验,以相关系数r评估模型的准确性。
本步骤中,相关系数r的公式为:
其中,x为真实数据原始值,为真实数据平均值,y为预测数据原始值,/>为预测数据平均值。相关系数的取值在-1到1之间,-1表示两个变量呈现负相关,0表示两个变量没有相关性,1表示两个变量呈现正相关。
实施例:
本实施例提供了一种基于集成学习的改性沥青逆向设计方法,具体操作过程如下:
步骤一:选取一种70#沥青为基质沥青,选取一种苯乙烯-丁二烯SBS共聚物和一种60目的橡胶粉为改性剂;控制SBS共聚物掺量为3%、5%、7%,橡胶粉掺量为15%、20%、25%,采用高速剪切机分别制备SBS改性沥青和橡胶粉改性沥青。改性沥青制备步骤如下:首先,计算改性剂、基质沥青及稳定剂含量,其中稳定剂为硫磺,掺量为千分之一点二;其次,加热沥青到180℃,放入改性剂后以500r/min剪切10分钟;再次,以3000r/min的转速剪切60min,并加入稳定剂以500r/min剪切15min;最后,将改性沥青置于160℃烘箱中保温2小时。
步骤二:采用动态剪切流变仪对改性沥青进行频率扫描测试沥青的复数模量和相位角以描述改性沥青的黏弹性能,施加频率为60Hz、45Hz、30Hz、10Hz、5Hz、1Hz、0.5Hz、0.1Hz、0.05Hz、0.01Hz,测试温度为10℃、20℃、30℃、40℃、50℃、60℃,也就是每个掺量下的沥青对应60个数据点。
步骤三:基于改性剂掺量-频率-温度-复数模量-相位角建立一一对应关系的数据集,去除数据集异常数据,对数据集数据进行均值化处理以消除量纲影响。
步骤四:调用数据分割工具将步骤三建立的数据集按照9:1的比例分为训练集和测试集,训练集数据用于训练模型,测试集数据用于测试模型的准确性。
步骤五:选择适当数量决策树搭建基于随机森林算法的改性沥青逆向设计模型,以频率-温度-复数模量-相位角为模型输入,改性剂掺量为模型输出,基于步骤四中划分的训练集数据对模型进行训练,并基于网格搜索法和交叉验证法优化模型参数。
步骤六:基于步骤四中划分的测试集数据对步骤五中建立的改性沥青逆向设计模型进行检验,结果分别如图2和图3所示,计算相关系数分别为0.93和0.92,说明试验值和模型设计值间具有明显的相关性,也证明基于集成学习建立的改性沥青逆向设计模型应用效果良好。
综上所述,基于本发明的改性沥青逆向设计方法阐明了改性剂掺量与改性沥青性能间的相关关系,建立了改性沥青的逆向设计模型,同时SBS改性沥青和橡胶粉改性沥青的真实值和模型设计值间的相关系数均在0.9以上,说明模型应用效果良好。本发明为改性沥青的制备提供了一种新的手段,为进一步提升沥青材料的智能化水平做出了贡献。
Claims (6)
1.一种基于集成学习的改性沥青逆向设计方法,其特征在于所述方法包括如下步骤:
步骤一:选取一种沥青作为基质沥青,选取一种苯乙烯-丁二烯SBS共聚物和一种橡胶粉为改性剂,确定苯乙烯-丁二烯SBS共聚物的掺量与橡胶粉掺量,采用高速剪切机分别制备SBS改性沥青和橡胶粉改性沥青;
步骤二:确定不同的施加频率及测试温度,采用动态剪切流变仪对改性沥青进行频率扫描测试沥青的复数模量和相位角以描述改性沥青的黏弹性能;
步骤三:基于改性剂掺量-频率-温度-复数模量-相位角建立一一对应关系的数据集,去除数据集异常数据,对数据集数据进行均值化处理以消除量纲影响;
步骤四:调用数据分割工具将步骤三建立的数据集划分为训练集和测试集,训练集数据用于训练模型,测试集数据用于测试模型的准确性;
步骤五:选择适当数量决策树搭建基于随机森林算法的改性沥青逆向设计模型,以频率-温度-复数模量-相位角为模型输入,改性剂掺量为模型输出,基于步骤四中划分的训练集数据对模型进行训练,并基于网格搜索法和交叉验证法优化模型参数;
步骤六:基于步骤四中划分的测试集数据对步骤五中建立的改性沥青逆向设计模型进行检验,以相关系数r评估模型的准确性。
2.根据权利要求1所述的基于集成学习的改性沥青逆向设计方法,其特征在于所述步骤一中,改性沥青制备步骤如下:首先,计算改性剂、基质沥青及稳定剂含量;其次,加热沥青到180~200℃,放入改性剂后以500~1000r/min剪切5~15分钟;再次,以2000~4000r/min的转速剪切30~90min,并加入稳定剂以500~1000r/min剪切10~20min;最后,将改性沥青置于150~180℃烘箱中保温1~3小时。
3.根据权利要求2所述的基于集成学习的改性沥青逆向设计方法,其特征在于所述稳定剂为硫磺。
4.根据权利要求1所述的基于集成学习的改性沥青逆向设计方法,其特征在于所述步骤二中,均值化的公式为:
其中,xi'为数据去量纲后的值,xi为数据原始数值,为数据均值。
5.根据权利要求1所述的基于集成学习的改性沥青逆向设计方法,其特征在于所述步骤五中,随机森林通过随机选择数据的子集和特征的子集来构建多个决策树,然后通过投票的方式将这些决策树的结果结合起来,从而得到最终的预测结果。
6.根据权利要求1所述的基于集成学习的改性沥青逆向设计方法,其特征在于所述步骤六中,相关系数r的公式为:
其中,x为真实数据原始值,为真实数据平均值,y为预测数据原始值,/>为预测数据平均值;相关系数的取值在-1到1之间,-1表示两个变量呈现负相关,0表示两个变量没有相关性,1表示两个变量呈现正相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410068509.3A CN117789891A (zh) | 2024-01-17 | 2024-01-17 | 一种基于集成学习的改性沥青逆向设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410068509.3A CN117789891A (zh) | 2024-01-17 | 2024-01-17 | 一种基于集成学习的改性沥青逆向设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789891A true CN117789891A (zh) | 2024-03-29 |
Family
ID=90396393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410068509.3A Pending CN117789891A (zh) | 2024-01-17 | 2024-01-17 | 一种基于集成学习的改性沥青逆向设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789891A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303393A (zh) * | 2018-01-31 | 2018-07-20 | 长安大学 | 一种测量sbs改性沥青中sbs改性剂含量的方法 |
CN109142148A (zh) * | 2018-07-27 | 2019-01-04 | 北京建筑大学 | 一种基于cam模型分析thfs改性沥青感温性能的方法 |
WO2022052202A1 (zh) * | 2020-09-08 | 2022-03-17 | 福州大学 | 高韧性sbs/sbr多聚磷酸复合改性沥青及其制备方法 |
CN116680976A (zh) * | 2023-06-02 | 2023-09-01 | 华南理工大学 | 基于机器学习的增材制造金属材料逆向设计方法 |
-
2024
- 2024-01-17 CN CN202410068509.3A patent/CN117789891A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303393A (zh) * | 2018-01-31 | 2018-07-20 | 长安大学 | 一种测量sbs改性沥青中sbs改性剂含量的方法 |
CN109142148A (zh) * | 2018-07-27 | 2019-01-04 | 北京建筑大学 | 一种基于cam模型分析thfs改性沥青感温性能的方法 |
WO2022052202A1 (zh) * | 2020-09-08 | 2022-03-17 | 福州大学 | 高韧性sbs/sbr多聚磷酸复合改性沥青及其制备方法 |
CN116680976A (zh) * | 2023-06-02 | 2023-09-01 | 华南理工大学 | 基于机器学习的增材制造金属材料逆向设计方法 |
Non-Patent Citations (5)
Title |
---|
中国环境监测总站: "《水环境质量预测预警方法技术指南》", 31 October 2020, pages: 60 - 61 * |
亓呈明等: "《机器学习、智能计算与高光谱遥感影像分类应用研究》", 31 May 2018, pages: 165 - 166 * |
伍勇华等: "《土木工程材料》", 31 July 2022, pages: 171 - 172 * |
王大为等: "《路面材料力学与数值仿真方法》", 30 April 2022, pages: 40 - 41 * |
王斌会: "《数据分析及Excel应用》", 28 February 2021, pages: 173 - 174 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
CN107015875B (zh) | 一种电子整机贮存寿命评估方法及装置 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN114490316B (zh) | 一种基于损失函数的单元测试用例自动生成方法 | |
CN112131785B (zh) | 一种基于ann-nsga-ii的甲烷化镍基催化剂配方的筛选优化方法 | |
CN112765743A (zh) | 一种风电机组整机一体化设计多目标协同优化方法及装置 | |
Li et al. | Structure optimization for echo state network based on contribution | |
CN117789891A (zh) | 一种基于集成学习的改性沥青逆向设计方法 | |
CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
CN116796546A (zh) | 基于小样本学习的高温合金增材制造工艺优化预测方法 | |
CN112466416A (zh) | 一种结合镍基合金先验知识的材料数据清洗方法 | |
CN115879638A (zh) | 一种油田接转站系统碳排放预测方法 | |
Andres-Toro et al. | Application of genetic algorithms and simulations for the optimization of batch fermentation control | |
Nazaré et al. | Green-Box System Identification and Carbon Footprint Analysis for Sustainable Computing | |
CN108256271B (zh) | 一种led灯具的轻量化设计方法 | |
CN112580264A (zh) | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 | |
CN111581823A (zh) | 一种施工质量-工期-成本优化方法、装置和电子设备 | |
CN117993304B (zh) | 物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法 | |
CN106446495B (zh) | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 | |
Dittmer et al. | Mesh optimization using a genetic algorithm to control mesh creation parameters | |
de Andres-Toro et al. | Using genetic algorithms for dynamic optimization: an industrial fermentation case | |
CN114818990B (zh) | 一种航空发动机维修成效的优劣分级方法和系统 | |
CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 | |
CN117172137B (zh) | 基于数字孪生的土壤微生物控制分析方法及系统 | |
CN115496516A (zh) | 一种基于自适应支持向量机的电厂燃煤大数据分析方法 |
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 |