WO2022054336A1 - 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 - Google Patents
鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 Download PDFInfo
- Publication number
- WO2022054336A1 WO2022054336A1 PCT/JP2021/018338 JP2021018338W WO2022054336A1 WO 2022054336 A1 WO2022054336 A1 WO 2022054336A1 JP 2021018338 W JP2021018338 W JP 2021018338W WO 2022054336 A1 WO2022054336 A1 WO 2022054336A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- steel pipe
- forming
- crushing strength
- coated
- manufacturing
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
Abstract
Description
即ち、特に、海底パイプラインで使用する鋼管は防食のため塗装(コーティング)が施される。この塗装時には鋼管を加熱して実施する場合があり、塗装条件によっては塗装鋼管の圧縮特性、ひいては塗装鋼管の圧潰特性が変化する。また、塗装鋼管の圧潰強度は、鋼管成形後の鋼管の形状及び鋼管成形後の鋼管の強度特性(引張強度、圧縮強度、ヤング率、ポアソン比など)のみならず、鋼管成形時の造管ひずみ(鋼管成形時のひずみ履歴)にも依存している。これは、鋼管成形時の造管ひずみは、鋼管成形後の鋼管の形状及び鋼管成形後の鋼管の強度特性に大きな影響を与え、ひいては塗装鋼管の圧潰特性にも大きな影響を与えるからである。
図1に示す鋼管製造特性決定装置1は、鋼管成形後に塗装してなる塗装鋼管の鋼管圧潰強度予測モデルの生成、生成された鋼管圧潰強度予測モデルを用いた鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測、予測された塗装鋼管の外圧曲げ時の圧潰強度が要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するような鋼管製造特性の決定を行う。
ここで、鋼管は、一般的に、板状の鋼板を円管形状に曲げ加工して成形し製造され、その後、表面に塗装され塗装鋼管を形成する。
なお、塗装鋼管の外圧曲げ時の圧潰強度とは、塗装鋼管が圧潰するときの負荷応力(MPa)を意味し、ここでいう「圧潰」とは、負荷応力が最大値を示しこれ以上に外圧に対し形状を保てなくなるまで変形した状態をいうものとする。
また、塗装条件は、ここでは塗装時の最高温度(℃)及び保持時間(min)である。この塗装条件は、実測したものが入力される。
また、敷設時の曲げひずみは、塗装鋼管を例えば海底に塗装鋼管を敷設した際の引張ひずみ(%)あるいは圧縮ひずみ(%)である。圧潰の発生は、海底パイプラインの敷設時に内圧がかかっていない状況下で敷設による曲げひずみが重畳した場合が最も危険である。
演算処理部5は、機能ブロックとして、鋼管圧潰強度予測モデル生成部6と、鋼管製造特性演算部7とを備えている。
ニューラルネットワークモデルである鋼管圧潰強度予測モデルは、入力側から順に入力層101、中間層102、及び出力層103を含んでいる。
モデル生成部63が、ハイパーパラメータを用いたニューラルネットワークモデルによる学習を行うに際し、入力層101には、前処理部62で加工された学習用データを構成する鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる過去の鋼管製造特性の実績情報、即ち、0~1の間で標準化された過去の鋼管製造特性の実績情報が格納される。
出力層103は、中間層102により伝達されたニューロンの情報が結合され、最終的な鋼管成形後に塗装してなる塗装鋼管の加圧曲げ時の圧潰強度として出力される。この出力した結果と、読み込まれた過去の塗装鋼管の加圧曲げ時の圧潰強度の実績とに基づき、ニューラルネットワークモデル内の重み係数が徐々に最適化されることで学習が行われる。
結果保存部64は、学習用データ、ニューラルネットワークモデルのパラメータ(重み係数)、及び学習用データに対するニューラルネットワークモデルの出力結果を、記憶装置9に記憶させる。
情報読取部71は、鋼管圧潰強度予測モデル生成部6によって生成された鋼管圧潰強度予測モデル、鋼管圧潰強度予測モデルに入力される圧潰強度の予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性の情報、目標の塗装鋼管の加圧曲げ時の圧潰強度の情報、及び鋼管製造特性決定モード情報を読み込む処理を行う。
また、結果出力部74は、決定された鋼管製造特性の情報あるいは予測された塗装鋼管の圧潰強度の情報(予測値)を出力装置10に出力する処理を行うとともに、これらの情報を記憶装置9に記憶させる処理を行う。
鋼管製造特性演算部7は、入力装置8に鋼管製造特性の演算指令が入力され、鋼管製造特性の演算指令を受けると、ROM4に記憶されている鋼管製造特性演算プログラム42を実行し、情報読取部71、圧潰強度予測部72、鋼管製造特性決定部73、及び結果出力部74の各機能を実行する。
次いで、情報読取部71は、ステップS2において、図示しない上位計算機から入力され、記憶装置9に記憶されている、要求される目標の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度の情報を読み込む。
次いで、情報読取部71は、ステップS3において、オペレータによって入力装置8に入力され、記憶装置9に記憶されている鋼管圧潰強度予測モデルに入力される予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性の情報を読み込む。
その後、圧潰強度予測部72は、ステップS5において、ステップS1で読み込まれた鋼管圧潰強度予測モデルに、ステップS3で読み込まれた予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を入力して、塗装鋼管の加圧曲げ時の圧潰強度を予測する。
続いて、鋼管製造特性決定部73は、ステップS6において、ステップS4で読み込んだ鋼管製造特性決定モード情報(鋼管製造特性を決定するモードか否かの情報)が鋼管製造特性決定モード(鋼管製造特性を決定するモード)か否かを判定する。
ステップS7では、鋼管製造特性決定部73は、ステップS5で予測された塗装鋼管の加圧曲げ時の圧潰強度(予測値)と、ステップS2で読み込まれた、要求される目標の塗装鋼管の加圧曲げ時の圧潰強度(目標値)との差異が所定の閾値以内か否かを判定する。
ここで、この所定の閾値は、おおむね0.5%~1%に設定される。
ステップS10では、鋼管製造特性決定部73は、ステップS3で読み込まれた圧潰強度の予測対象となる塗装鋼管の鋼管製造特性における鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも1つを変更し、ステップS5に戻す。
これにより、鋼管製造特性演算部7の処理が終了する。
これにより、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測するに際しての、鋼管圧潰強度予測モデルを適切に生成することができる。
また、塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルの生成に際し、塗装鋼管の外圧曲げ時の圧潰強度に大きな影響を与える敷設時の曲げひずみを考慮しているから、鋼管圧潰強度予測モデルの精度もより高くすることができる。
これにより、敷設時の曲げひずみに加えて、鋼管成形時の造管ひずみ、及び塗装条件を考慮して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を精度高く予測する。
これにより、予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するときの、鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみからなる鋼管製造特性を決定することができる。
つまり、本発明の一実施形態に係る鋼管の製造方法は、鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、鋼管の圧潰強度予測方法(ステップS1~ステップS5)により、塗装鋼管形成工程で形成された塗装鋼管の加圧曲げ時の圧潰強度を予測する圧潰強度予測工程と、圧潰強度予測工程により予測された塗装鋼管の加圧曲げ時の圧潰強度を塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えていてもよい。
これにより、塗装鋼管を取り扱う者は、当該塗装鋼管の加圧曲げ時の圧潰強度(予測値)を把握することができる。
つまり、本発明の一実施形態に係る鋼管の製造方法は、塗装鋼管の製造特性決定方法(ステップS6、ステップS7、ステップS10、ステップS5、ステップS6、ステップS7及びステップS8)により決定された最適な鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造するようにしてもよい。
例えば、鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる過去の鋼管製造特性は、過去の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含めばよく、それら以外の過去の鋼管製造特性、例えば、過去の鋼管成形前の鋼板の強度特性を含んでいても良い。
また、鋼管圧潰強度予測モデルの生成方法おいて、鋼管圧潰強度予測モデルを生成する際に、入力データとなる鋼管成形後の鋼管強度特性は、鋼管のヤング率E(GPa)、鋼管のポアソン比μ(-)、鋼管の引張強度YS(MPa)、鋼管の圧縮強度0.23%YS(0.23%歪に対応する応力)、及び鋼管の圧縮強度0.5%YS(0.5%歪に対応する応力)に限られない。
また、鋼管の圧潰強度予測方法において、鋼管圧潰強度予測モデルに入力される鋼管成形後の鋼管形状は、鋼管の最大外径Dmax(mm)、鋼管の最小外径Dmin(mm)、鋼管の平均外径Dave(mm)、鋼管の平均管板厚t(mm)、及び鋼管の外径形状の真円度(Ovality)fO(%)に限られない。
また、機械学習の手法はニューラルネットワークとしてあるが、ニューラルネットワークによる学習に限らず、決定木学習、ロジスティック回帰、K近似法、サポートベクターマシン回帰、Q学習、SARSA法など各種教師有り学習、教師無し学習、強化学習など適用可能である。
また、実施例1では、表1に示す供試材1の実際の外圧曲げ時の圧潰強度を実測した(実管試験結果)。
また、実施例2では、表1に示す供試材2の実際の外圧曲げ時の圧潰強度を実測した(実管試験結果)。
また、比較例1では、表1に示す供試材1の実際の外圧曲げ時の圧潰強度を実測した(実管試験結果)。
また、比較例2では、表1に示す供試材2の実際の外圧曲げ時の圧潰強度を実測した(実管試験結果)。
その結果、実施例1では、塗装鋼管の実際の外圧曲げ時の圧潰強度(実管試験結果)が規格基準値(所定規格値)を20%以上上回り判定結果はAであり、また、鋼管圧潰強度予測モデルを用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値も規格基準値(所定規格値)を20%以上上回り判定結果はAで、実験評価と予測結果が一致した。
一方、比較例1では、塗装鋼管の実際の外圧曲げ時の圧潰強度(実管試験結果)が規格基準値(所定規格値)を20%以上上回り判定結果はAであったが、非特許文献1で示された予測式を用いた塗装鋼管の外圧曲げ時の圧潰強度の予測値は規格基準値(所定規格値)を10%未満の範囲で上回り判定結果はCで、実験評価と予測結果が不一致であった。
これにより、実施例1~2で説明したように、本発明では、塗装鋼管の加圧曲げ時の圧潰強度の予測値とも実験結果と一致し、予測精度が高いことが確認された。
2 演算装置
3 RAM
4 ROM
5 演算処理部
6 鋼管圧潰強度予測モデル生成部
7 鋼管製造特性演算部
8 入力装置
9 記憶装置
10 出力装置
11 バス
41 鋼管圧潰強度予測モデル生成プログラム
42 鋼管製造特性演算プログラム
61 学習用データ取得部
62 前処理部
63 モデル生成部
64 結果保存部
71 情報読取部
72 圧潰強度予測部
73 鋼管製造特性決定部
74 結果出力部
101 入力層
102 中間層
103 出力層
Claims (6)
- 鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む過去の鋼管製造特性を入力データとし、この入力データに対する過去の鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を出力データとした複数の学習用データを機械学習させて、鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測する鋼管圧潰強度予測モデルを生成することを特徴とする鋼管圧潰強度予測モデルの生成方法。
- 前記機械学習の手法はニューラルネットワークであり、前記鋼管圧潰強度予測モデルは、ニューラルネットワークにより構築された予測モデルであることを特徴とする請求項1に記載の鋼管圧潰強度予測モデルの生成方法。
- 請求項1又は2に記載の鋼管圧潰強度予測モデルの生成方法により生成された鋼管圧潰強度予測モデルに、予測対象となる塗装鋼管の鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみを含む鋼管製造特性を入力して鋼管成形後に塗装してなる塗装鋼管の外圧曲げ時の圧潰強度を予測することを特徴とする鋼管の圧潰強度予測方法。
- 請求項3に記載された鋼管の圧潰強度予測方法により予測された塗装鋼管の外圧曲げ時の圧潰強度が、要求される目標の塗装鋼管の外圧曲げ時の圧潰強度に漸近するように、鋼管製造特性に含まれる鋼管成形後の鋼管形状、鋼管成形後の鋼管強度特性、鋼管成形時の造管ひずみ、塗装条件、及び敷設時の曲げひずみのうちの少なくとも一つを逐次変更し、鋼管製造特性を決定することを特徴とする鋼管の製造特性決定方法。
- 鋼管を成形し、成形された鋼管に塗装して塗装鋼管を形成する塗装鋼管形成工程と、請求項3に記載の鋼管の圧潰強度予測方法により、前記塗装鋼管形成工程で形成された塗装鋼管の外圧曲げ時の圧潰強度を予測する圧潰強度予測工程と、該圧潰強度予測工程により予測された塗装鋼管の外圧曲げ時の圧潰強度を前記塗装鋼管形成工程で形成された塗装鋼管に紐付ける性能予測値付与工程とを備えることを特徴とする鋼管の製造方法。
- 請求項4に記載の鋼管の製造特性決定方法により決定された鋼管製造特性に基づいて塗装鋼管の製造条件を決定し、その決定された塗装鋼管の製造条件で塗装鋼管を製造することを特徴とする鋼管の製造方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020237007414A KR20230044510A (ko) | 2020-09-11 | 2021-05-14 | 강관 압궤 강도 예측 모델의 생성 방법, 강관의 압궤 강도 예측 방법, 강관의 제조 특성 결정 방법, 및 강관의 제조 방법 |
JP2021546241A JP6969713B1 (ja) | 2020-09-11 | 2021-05-14 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
EP21866297.1A EP4212846A4 (en) | 2020-09-11 | 2021-05-14 | METHOD FOR GENERATION OF MODEL FOR PREDICTING CRUSHING RESISTANCE OF STEEL PIPE, METHOD FOR PREDICTING CRUSHING RESISTANCE OF STEEL PIPE, METHOD FOR DETERMINING CHARACTERISTICS OF MANUFACTURING STEEL PIPE, AND METHOD FOR MANUFACTURING STEEL PIPE STEEL |
CN202180054545.9A CN116018509A (zh) | 2020-09-11 | 2021-05-14 | 钢管压溃强度预测模型的生成方法、钢管的压溃强度预测方法、钢管的制造特性决定方法及钢管的制造方法 |
US18/024,418 US20230315934A1 (en) | 2020-09-11 | 2021-05-14 | Steel pipe collapse strength prediction model generation method, steel pipe collapse strength prediction method, steel pipe manufacturing characteristics determination method, and steel pipe manufacturing method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020153332 | 2020-09-11 | ||
JP2020-153332 | 2020-09-11 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022054336A1 true WO2022054336A1 (ja) | 2022-03-17 |
Family
ID=80631504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2021/018338 WO2022054336A1 (ja) | 2020-09-11 | 2021-05-14 | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2022054336A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018074433A1 (ja) * | 2016-10-18 | 2018-04-26 | 新日鐵住金株式会社 | 圧潰強度予測方法 |
JP2019174452A (ja) * | 2018-03-27 | 2019-10-10 | Jfeスチール株式会社 | 鋼管の耐圧潰特性の評価方法 |
WO2020148917A1 (ja) * | 2019-01-17 | 2020-07-23 | Jfeスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
-
2021
- 2021-05-14 WO PCT/JP2021/018338 patent/WO2022054336A1/ja unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018074433A1 (ja) * | 2016-10-18 | 2018-04-26 | 新日鐵住金株式会社 | 圧潰強度予測方法 |
JP2019174452A (ja) * | 2018-03-27 | 2019-10-10 | Jfeスチール株式会社 | 鋼管の耐圧潰特性の評価方法 |
WO2020148917A1 (ja) * | 2019-01-17 | 2020-07-23 | Jfeスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
Non-Patent Citations (4)
Title |
---|
MIMAKI TOSHITARO, KAZUSHI MARUYAMA, RYUICHI INOWAKI: "Finite-element analysis and formula of collapse strength under bending load", TRANSACTIONS OF THE JAPAN SOCIETY OF MECHANICAL ENGINEERS, 1 January 1996 (1996-01-01), pages 212 - 218, XP055913346, Retrieved from the Internet <URL:https://www.jstage.jst.go.jp/article/kikaia1979/62/593/62_593_212/_pdf/-char/ja> [retrieved on 20220419], DOI: 10.1299/kikaia.62.212 * |
OKATSU MITSUHIRO, SHIKANAI NOBUO, KONDO JOE: "Development of a high-deformability linepipe with resistance to strain-aged hardening by HOP(R) (heat-treatment on-line process", JFE TECHNICAL REPORT, 1 October 2008 (2008-10-01), pages 8 - 14, XP055913348, Retrieved from the Internet <URL:https://www.jfe-steel.co.jp/en/research/report/012/pdf/012-03.pdf> [retrieved on 20220419] * |
SUBMARINE PIPELINE SYSTEMS, October 2010 (2010-10-01), pages 41 - 56 |
TSURU, EIJI : "Forming and collapse simulation of UOE pipe with strength anisotropy", ZAIRYŌ-TO-PUROSESU = CURRENT ADVANCES IN MATERIALS AND PROCESSES : CAMP-ISIJ; 149TH ISIJ SPRING MEETING (MARCH 29-31, 2005), vol. 18, no. 1, 30 November 2004 (2004-11-30) - 31 March 2005 (2005-03-31), JP , pages 356 - 359, XP009543540, ISSN: 0914-6628 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Optimization of sheet metal forming processes by adaptive response surface based on intelligent sampling method | |
JP6969713B1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
CN108563906B (zh) | 一种基于深度学习的短纤维增强复合材料宏观性能预测法 | |
Cao et al. | Consistent and minimal springback using a stepped binder force trajectory and neural network control | |
US20200401113A1 (en) | Determining optimal material and/or manufacturing process | |
Mirzaali et al. | Optimization of tube hydroforming process using simulated annealing algorithm | |
El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
Massé et al. | The optimal die semi-angle concept in wire drawing, examined using automatic optimization techniques | |
Dib et al. | Model prediction of defects in sheet metal forming processes | |
Fan et al. | Prediction algorithm for springback of frame-rib parts in rubber forming process by incorporating Sobol within improved grey relation analysis | |
Şenol et al. | Springback analysis in air bending process through experiment based artificial neural networks | |
Yi et al. | Yield strength tracking of UOE pipe considering various thickness-to-diameter ratios | |
Madhav et al. | Analysis of UOE forming process accounting for Bauschinger effect and welding | |
Andrade-Campos et al. | Optimization and inverse analysis in metal forming: scientific state-of-the-art and recent trends | |
Ma et al. | Machine learning (ML)-based prediction and compensation of springback for tube bending | |
WO2022054336A1 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Cai et al. | The prediction of part thickness using machine learning in aluminum hot stamping process with partition temperature control | |
Gan et al. | Digital twin-driven sheet metal forming: modeling and application for stamping considering mold wear | |
Mandal et al. | Capability of a feed-forward artificial neural network to predict the constitutive flow behavior of as cast 304 stainless steel under hot deformation | |
Kessler et al. | Incorporating neural network material models within finite element analysis for rheological behavior prediction | |
JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Ilg et al. | Constitutive model parameter identification via full-field calibration | |
Chen | An analysis of forming limit in the elliptic hole-flanging process of sheet metal | |
Hernández et al. | Compressive capacity of perforated tubular members using symbolic regression of DoE-FEM simulations | |
Shen et al. | Lined Pipe Reeling Mechanics Design of Experiment & Machine Learning Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ENP | Entry into the national phase |
Ref document number: 2021546241 Country of ref document: JP Kind code of ref document: A |
|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21866297 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 20237007414 Country of ref document: KR Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2021866297 Country of ref document: EP Effective date: 20230411 |