JP2021196710A - 物性予測装置、物性予測方法及び製造方法 - Google Patents
物性予測装置、物性予測方法及び製造方法 Download PDFInfo
- Publication number
- JP2021196710A JP2021196710A JP2020101108A JP2020101108A JP2021196710A JP 2021196710 A JP2021196710 A JP 2021196710A JP 2020101108 A JP2020101108 A JP 2020101108A JP 2020101108 A JP2020101108 A JP 2020101108A JP 2021196710 A JP2021196710 A JP 2021196710A
- Authority
- JP
- Japan
- Prior art keywords
- physical property
- monomer
- polymer
- information
- value
- 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
- 230000000704 physical effect Effects 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 title claims description 4
- 239000000178 monomer Substances 0.000 claims abstract description 171
- 229920000642 polymer Polymers 0.000 claims abstract description 52
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 7
- 150000002009 diols Chemical class 0.000 description 39
- 239000004814 polyurethane Substances 0.000 description 36
- 229920002635 polyurethane Polymers 0.000 description 36
- 230000006870 function Effects 0.000 description 34
- 239000000047 product Substances 0.000 description 22
- 239000003054 catalyst Substances 0.000 description 21
- 238000012360 testing method Methods 0.000 description 20
- 238000002834 transmittance Methods 0.000 description 18
- 239000002243 precursor Substances 0.000 description 12
- 125000005442 diisocyanate group Chemical group 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- XEKOWRVHYACXOJ-UHFFFAOYSA-N Ethyl acetate Chemical compound CCOC(C)=O XEKOWRVHYACXOJ-UHFFFAOYSA-N 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 230000002194 synthesizing effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- KORSJDCBLAPZEQ-UHFFFAOYSA-N dicyclohexylmethane-4,4'-diisocyanate Chemical compound C1CC(N=C=O)CCC1CC1CCC(N=C=O)CC1 KORSJDCBLAPZEQ-UHFFFAOYSA-N 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- VLKZOEOYAKHREP-UHFFFAOYSA-N n-Hexane Chemical compound CCCCCC VLKZOEOYAKHREP-UHFFFAOYSA-N 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006854 communication Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 229920001187 thermosetting polymer Polymers 0.000 description 3
- SVTBMSDMJJWYQN-UHFFFAOYSA-N 2-methylpentane-2,4-diol Chemical compound CC(O)CC(C)(C)O SVTBMSDMJJWYQN-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- DLKQHBOKULLWDQ-UHFFFAOYSA-N 1-bromonaphthalene Chemical compound C1=CC=C2C(Br)=CC=CC2=C1 DLKQHBOKULLWDQ-UHFFFAOYSA-N 0.000 description 1
- DSKYSDCYIODJPC-UHFFFAOYSA-N 2-butyl-2-ethylpropane-1,3-diol Chemical compound CCCCC(CC)(CO)CO DSKYSDCYIODJPC-UHFFFAOYSA-N 0.000 description 1
- DKPFZGUDAPQIHT-UHFFFAOYSA-N Butyl acetate Natural products CCCCOC(C)=O DKPFZGUDAPQIHT-UHFFFAOYSA-N 0.000 description 1
- 239000005057 Hexamethylene diisocyanate Substances 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- UKLDJPRMSDWDSL-UHFFFAOYSA-L [dibutyl(dodecanoyloxy)stannyl] dodecanoate Chemical compound CCCCCCCCCCCC(=O)O[Sn](CCCC)(CCCC)OC(=O)CCCCCCCCCCC UKLDJPRMSDWDSL-UHFFFAOYSA-L 0.000 description 1
- 238000007259 addition reaction Methods 0.000 description 1
- APUPEJJSWDHEBO-UHFFFAOYSA-P ammonium molybdate Chemical compound [NH4+].[NH4+].[O-][Mo]([O-])(=O)=O APUPEJJSWDHEBO-UHFFFAOYSA-P 0.000 description 1
- 229940010552 ammonium molybdate Drugs 0.000 description 1
- 235000018660 ammonium molybdate Nutrition 0.000 description 1
- 239000011609 ammonium molybdate Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000012975 dibutyltin dilaurate Substances 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- RRAMGCGOFNQTLD-UHFFFAOYSA-N hexamethylene diisocyanate Chemical compound O=C=NCCCCCCN=C=O RRAMGCGOFNQTLD-UHFFFAOYSA-N 0.000 description 1
- FUZZWVXGSFPDMH-UHFFFAOYSA-N hexanoic acid Chemical compound CCCCCC(O)=O FUZZWVXGSFPDMH-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- ZFSLODLOARCGLH-UHFFFAOYSA-N isocyanuric acid Chemical compound OC1=NC(O)=NC(O)=N1 ZFSLODLOARCGLH-UHFFFAOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 229920005992 thermoplastic resin Polymers 0.000 description 1
- 239000013638 trimer Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
Description
前記単量体情報は、各単量体のECFP(Extended Connectivity Fingerprint)とモル比との積によって表現される、[1]乃至[4]何れか一つに記載の物性予測装置。
前記単量体情報は、各単量体のECFP(Extended Connectivity Fingerprint)とモル比との積によって表現される、[6]乃至[9]何れか一つに記載の物性予測方法。
まず、図1を参照して、本発明の一実施例による回帰モデル生成装置及び物性予測装置の概略を説明する。図1は、本発明の一実施例による回帰モデル生成装置及び物性予測装置を示す概略図である。
次に、図3を参照して、本発明の一実施例による回帰モデル生成装置100を説明する。図3は、本発明の一実施例による回帰モデル生成装置100の機能構成を示すブロック図である。
4×(屈折率)/[(屈折率)+1]2(ただし、屈折率≧1)
により、算出される。
次に、図5を参照して、本発明の一実施例による回帰モデル生成処理を説明する。当該回帰モデル生成処理は、例えば、上述した回帰モデル生成装置100によって実行され、より詳細には、回帰モデル生成装置100のプロセッサによって実現されてもよい。図5は、本発明の一実施例による回帰モデル生成処理を示すフローチャートである。
次に、図6〜8を参照して、本発明の一実施例による物性予測装置200を説明する。物性予測装置200は、回帰モデル生成装置100によって生成された種別毎の回帰モデルを利用し、テストデータとして単量体情報から重合体の複数の物性種別の予測値を算出し、算出した複数種別の物性予測値に基づき重合体の総合的な物性を評価する。図6は、本発明の一実施例による物性予測装置200の機能構成を示すブロック図である。
a(m,s)=m+2×s
が利用されてもよい。ここで、mは予測値であり、sは予測の不確かさを示すテストデータの各サンプルの標準偏差である。予測値mおよび不確かさsを求めるためにガウス過程回帰を用いても良い。ガウス過程回帰の実行には、scikit−learnのGaussianprocessregressorを使用してもよい。カーネルは特に限定されないが、ConstantKernelとMaternの積にWhiteKernelを和として加えたものを使用してもよい。ガウス過程回帰を利用した場合、各サンプルに対して予測分布が出力される。その予測分布の平均及び標準偏差をそれぞれ予測値m及び不確かさsとして参照されうる。予測の不確かさsは、各物性の獲得関数aを算出する際に使用される。
ポリウレタン前駆体2〜2.5gを50mLのガラス製ネジ口瓶に仕込んだ後、約6gの酢酸エチルを加え、ローター式攪拌装置にかけることで溶解させた。次に、JISK1557−6:2009に従って、予め定量したポリウレタン前駆体の水酸基価から算出された[OH]量[mol]に対し、[NCO]量[mol]が同量となるように、イソシアヌレート型のヘキサメチレンジイソシアネート三量体を50質量%の酢酸エチル溶液として加え、約1時間混合した。ここで得られた溶液をTPXTM樹脂製シャーレ中に展開し、15時間風乾した後に、90℃に保った恒温槽中で10時間加熱することで、ポリウレタン硬化物板を得た。得られたポリウレタン硬化物板を、スーパーストレートカッター(ダンベル製)によって、10mm×20mmの形に加工することで、試験片を得た。
4×(屈折率)/[(屈折率)+1]2(ただし、屈折率≧1)
により、ポリウレタン硬化物の換算透過率を算出した。
前記と同様にポリウレタン硬化物板を得た後に、スーパーストレートカッター(ダンベル製)によって、JIS K 6251:2010のダンベル状7号形試験片を作製し、卓上型引張圧縮試験機(エー・アンド・デイ製、MCT−2150)によって、ポリウレタン硬化物の破断応力および伸びを測定した。
次に、図13を参照して、本発明の一実施例による物性予測処理を説明する。当該物性予測処理は、例えば、上述した物性予測装置200によって実行され、より詳細には、物性予測装置200のプロセッサによって実現されてもよい。図13は、本発明の一実施例による物性予測処理を示すフローチャートである。
100 回帰モデル生成装置
110 訓練データ取得部
120 回帰モデル生成部
200 物性予測装置
210 単量体情報生成部
220 物性予測部
230 単量体決定部
Claims (11)
- 複数の単量体及びその含有比率を示す単量体情報に基づき物性種別毎のモデルによって重合体の複数の物性種別の予測値を取得する物性予測部と、
前記複数の物性種別の予測値から前記単量体情報に対する偏差値を算出し、前記偏差値に基づき前記重合体の合成に使用される単量体及びその含有比率を決定する単量体決定部と、
を有する物性予測装置。 - 前記物性種別毎のモデルは、前記単量体情報と、前記単量体情報に対応する前記重合体の物性種別の物性値とのペアから構成される訓練データを利用して、ガウス過程回帰によって導出される、請求項1記載の物性予測装置。
- 前記単量体決定部は、前記複数の物性種別の予測値からベイズ最適化の獲得関数の出力値を算出し、前記出力値の偏差値を算出する、請求項1又は2記載の物性予測装置。
- 前記単量体決定部は、前記偏差値が最大又は最小となる単量体情報を、前記重合体の合成に使用される単量体及びその含有比率として決定する、請求項1乃至3何れか一項記載の物性予測装置。
- 前記単量体情報を生成する単量体情報生成部を更に有し、
前記単量体情報は、各単量体のECFP(Extended Connectivity Fingerprint)とモル比との積によって表現される、請求項1乃至4何れか一項記載の物性予測装置。 - 1つ以上のプロセッサが、複数の単量体及びその含有比率を示す単量体情報に基づき物性種別毎のモデルによって重合体の複数の物性種別の予測値を取得するステップと、
前記1つ以上のプロセッサが、前記複数の物性種別の予測値から前記単量体情報に対する偏差値を算出し、前記偏差値に基づき前記重合体の合成に使用される単量体及びその含有比率を決定するステップと、
を有する物性予測方法。 - 前記物性種別毎のモデルは、前記単量体情報と、前記単量体情報に対応する前記重合体の物性種別の物性値とのペアから構成される訓練データを利用して、ガウス過程回帰によって導出される、請求項6記載の物性予測方法。
- 前記決定するステップは、前記複数の物性種別の予測値からベイズ最適化の獲得関数の出力値を算出し、前記出力値の偏差値を算出する、請求項6又は7記載の物性予測方法。
- 前記決定するステップは、前記偏差値が最大又は最小となる単量体情報を、前記重合体の合成に使用される単量体及びその含有比率として決定する、請求項6乃至8何れか一項記載の物性予測方法。
- 前記単量体情報を生成するステップを更に有し、
前記単量体情報は、各単量体のECFP(Extended Connectivity Fingerprint)とモル比との積によって表現される、請求項6乃至9何れか一項記載の物性予測方法。 - 請求項6乃至10何れか一項記載の物性予測方法によって決定された単量体及びその含有比率によって重合体を製造する製造方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020101108A JP2021196710A (ja) | 2020-06-10 | 2020-06-10 | 物性予測装置、物性予測方法及び製造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020101108A JP2021196710A (ja) | 2020-06-10 | 2020-06-10 | 物性予測装置、物性予測方法及び製造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021196710A true JP2021196710A (ja) | 2021-12-27 |
Family
ID=79195454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020101108A Pending JP2021196710A (ja) | 2020-06-10 | 2020-06-10 | 物性予測装置、物性予測方法及び製造方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021196710A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022033311A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033312A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033309A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033308A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033310A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
WO2023058576A1 (ja) * | 2021-10-04 | 2023-04-13 | ダイキン工業株式会社 | 低分子化合物探索方法、プログラム、装置、およびシステム |
KR20230124368A (ko) * | 2022-02-18 | 2023-08-25 | 국민대학교산학협력단 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019082790A (ja) * | 2017-10-30 | 2019-05-30 | 日本システム開発株式会社 | 情報処理装置、方法、およびプログラム |
JP2019086817A (ja) * | 2017-11-01 | 2019-06-06 | 株式会社日立製作所 | 設計支援装置及び設計支援方法 |
JP6633820B1 (ja) * | 2018-03-09 | 2020-01-22 | 昭和電工株式会社 | ポリマーの物性予測装置、プログラム、及び方法 |
JP2020038493A (ja) * | 2018-09-04 | 2020-03-12 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
JP2020071827A (ja) * | 2018-11-02 | 2020-05-07 | 昭和電工株式会社 | ポリマー設計装置、プログラム、および方法 |
-
2020
- 2020-06-10 JP JP2020101108A patent/JP2021196710A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019082790A (ja) * | 2017-10-30 | 2019-05-30 | 日本システム開発株式会社 | 情報処理装置、方法、およびプログラム |
JP2019086817A (ja) * | 2017-11-01 | 2019-06-06 | 株式会社日立製作所 | 設計支援装置及び設計支援方法 |
JP6633820B1 (ja) * | 2018-03-09 | 2020-01-22 | 昭和電工株式会社 | ポリマーの物性予測装置、プログラム、及び方法 |
JP2020038493A (ja) * | 2018-09-04 | 2020-03-12 | 横浜ゴム株式会社 | 物性データ予測方法及び物性データ予測装置 |
JP2020071827A (ja) * | 2018-11-02 | 2020-05-07 | 昭和電工株式会社 | ポリマー設計装置、プログラム、および方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022033311A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033312A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033309A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033308A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
JP2022033310A (ja) * | 2018-02-15 | 2022-02-28 | 株式会社三洋物産 | 遊技機 |
WO2023058576A1 (ja) * | 2021-10-04 | 2023-04-13 | ダイキン工業株式会社 | 低分子化合物探索方法、プログラム、装置、およびシステム |
KR20230124368A (ko) * | 2022-02-18 | 2023-08-25 | 국민대학교산학협력단 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
KR102696205B1 (ko) | 2022-02-18 | 2024-08-20 | 국민대학교산학협력단 | 인공지능 기반의 다중물성 합성 예측 장치 및 방법, 그 방법을 실행하기 위한 프로그램을 기록한 기록매체 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021196710A (ja) | 物性予測装置、物性予測方法及び製造方法 | |
Medford et al. | Extracting knowledge from data through catalysis informatics | |
Audus et al. | Polymer informatics: opportunities and challenges | |
Kim et al. | Long-term industrial applications of inferential control based on just-in-time soft-sensors: Economical impact and challenges | |
Fromer et al. | Computer-aided multi-objective optimization in small molecule discovery | |
Mock et al. | Taxonomic classification of DNA sequences beyond sequence similarity using deep neural networks | |
CN108121896B (zh) | 一种基于miRNA的疾病间关系分析方法和装置 | |
Wang et al. | Soft sensor development based on the hierarchical ensemble of Gaussian process regression models for nonlinear and non-Gaussian chemical processes | |
JP2012108925A5 (ja) | ||
Liu et al. | Active selection of informative data for sequential quality enhancement of soft sensor models with latent variables | |
CN107516148B (zh) | 系统建模优化方法及存储介质 | |
Kaleel et al. | PaleAle 5.0: prediction of protein relative solvent accessibility by deep learning | |
CN112749849A (zh) | 连续催化重整工艺过程关键参数的集成学习在线预测方法 | |
Queen et al. | Polymer graph neural networks for multitask property learning | |
EP4318337A1 (en) | Design aid device, design aid method, and design aid program | |
Yuan et al. | Online adaptive modeling framework for deep belief network-based quality prediction in industrial processes | |
Yeo et al. | Adaptive soft sensor development for non-Gaussian and nonlinear processes | |
Saraswathi et al. | Fast learning optimized prediction methodology (FLOPRED) for protein secondary structure prediction | |
Ruiz et al. | Building Highly Reliable Quantitative Structure–Activity Relationship Classification Models Using the Rivality Index Neighborhood Algorithm with Feature Selection | |
Tomal et al. | Exploiting multiple descriptor sets in QSAR studies | |
JP7250027B2 (ja) | フロー反応支援装置及び方法、フロー反応設備及び方法 | |
Zhang et al. | Machine-Learning-Enabled Framework in Engineering Plastics Discovery: A Case Study of Designing Polyimides with Desired Glass-Transition Temperature | |
Vinutha et al. | EPCA—enhanced principal component analysis for medical data dimensionality reduction | |
Hafsa et al. | Accessible surface area from NMR chemical shifts | |
Ottaviani et al. | Improving Project Estimates at Completion through Progress-Based Performance Factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200706 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221220 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20230131 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20230201 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230307 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240416 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240508 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240716 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240731 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240808 |