CN113628689A - 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 - Google Patents
一种煤粉燃烧特征参数智能预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113628689A CN113628689A CN202110904173.6A CN202110904173A CN113628689A CN 113628689 A CN113628689 A CN 113628689A CN 202110904173 A CN202110904173 A CN 202110904173A CN 113628689 A CN113628689 A CN 113628689A
- Authority
- CN
- China
- Prior art keywords
- pulverized coal
- characteristic parameters
- variables
- combustion characteristic
- prediction method
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Regulation And Control Of Combustion (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了一种煤粉燃烧特征参数智能预测方法,属于燃烧技术领域。首先建立单颗粒煤粉着火模型,根据模型计算结果,选取环境特征条件、煤粉颗粒特征参数作为输入参数,即自变量;选取关注的煤粉燃烧特征参数为因变量,通过数据分析,建立自变量与因变量之间的直接映射关系。基于各个单变量变化对煤粉燃烧特征参数的影响规律,选取回归变量,通过合理调整因变量的选取,优化回归结果。本发明将数据分析方法运用到复杂的煤粉燃烧过程,基于大量实验和模拟数据,建立统一的通用的回归模型,实现煤粉燃烧过程的快速准确预测,实现煤粉燃烧过程的数字化、智能化。
Description
技术领域
本发明属于燃烧技术领域,具体涉及一种煤粉燃烧特征参数智能预测方法、装置及存储介质。
背景技术
煤粉燃烧过程的特征参数的获取对深入了解燃烧过程稳定性具有关键性作用。一方面,测量技术的发展为煤粉燃烧过程的监视提供了更为先进可靠的手段,另一方面,先进的数值模拟计算技术也为煤粉燃烧提供了数字化的预测途径。
但是,由于煤粉燃烧过程是一个涉及瞬态、高温、多相、多组分的过程,为了对该过程达到较高的预测精度,往往需要花费较高的计算成本。
发明内容
为了解决上述问题,本发明的目的在于提供一种煤粉燃烧特征参数智能预测方法、装置及存储介质,能够简化煤粉燃烧稳定性预测流程,实现煤粉燃烧智能化、数字化。
本发明是通过以下技术方案来实现:
一种煤粉燃烧特征参数智能预测方法,包括:
S1:建立单颗粒煤粉着火模型;
S2:基于单颗粒煤粉着火模型,通过控制变量的研究方法,将表征着火稳定性的特征参数划分为因变量和自变量,分别研究不同自变量下因变量的变化规律;
S3:基于各个单变量变化对煤粉燃烧特征参数的影响规律,选取回归变量,使其能够合理体现煤粉燃烧特征参数的变化特性;
S4:通过线性回归分析工具,对因变量和各个自变量进行线性回归分析;
S5:合理调整因变量的选取,优化回归结果,使得各变量的回归P值均小于预设值;确定各自变量的权重参数,得到回归关系式。
优选地,S1中,单颗粒煤粉着火模型是通过耦合煤粉化学渗透热解模型和气相化学反应机理建立得到的。
优选地,S1中,建立单颗粒煤粉着火模型后,采用典型实验研究结果对单颗粒煤粉着火模型进行校验。
优选地,S2中,因变量包括着火延迟时间和着火模式;自变量包括环境变量和煤粉颗粒自身特性。
进一步优选地,环境变量包括温度、氧气浓度、压力、二氧化碳浓度、水蒸气浓度和湍流强度;煤粉颗粒自身特性包括挥发分含量和颗粒粒径。
进一步优选地,湍流强度量化采用开关量0和1,层流工况中,湍流强度变量值取0;湍流工况中,湍流强度变量值取1。
优选地,S4中,进行线性回归分析后,通过回归检验参数检测回归效果。
优选地,S5中,预设值为5%。
本发明还公开了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的煤粉燃烧特征参数智能预测方法的步骤。
本发明还公开了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的煤粉燃烧特征参数智能预测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开的煤粉燃烧特征参数智能预测方法,首先建立单颗粒煤粉着火模型,根据模型计算结果,选取环境特征条件、煤粉颗粒特征参数作为输入参数,即自变量;选取关注的煤粉燃烧特征参数为因变量,通过数据分析,建立自变量与因变量之间的直接映射关系。基于各个单变量变化对煤粉燃烧特征参数的影响规律,选取回归变量,通过合理调整因变量的选取,优化回归结果。本发明将数据分析方法运用到复杂的煤粉燃烧过程,基于大量实验和模拟数据,建立统一的通用的回归模型,实现煤粉燃烧过程的快速准确预测,实现煤粉燃烧过程的数字化、智能化。
进一步地,单颗粒煤粉着火模型是通过耦合煤粉化学渗透热解模型和气相化学反应机理建立得到的,该模型充分考虑颗粒相与气相之间的耦合关系,使得模型与实际过程更为接近。此外,煤粉化学渗透热解模型是目前最为详细且与实际过程最为接近的煤粉热解模型,其预测精度相较于其它热解模型高。
进一步地,建立单颗粒煤粉着火模型后,采用典型实验研究结果对单颗粒煤粉着火模型进行校验,以验证模型预测结果的准确性和有效性。
进一步地,基于单颗粒煤粉着火模型,对影响煤粉燃烧特性的关键变量(包括环境变量和煤粉颗粒自身特性)分别进行研究,以获得单变量对煤粉燃烧特性的影响规律。
进一步地,选取合适的因变量和自变量,自变量的选取基于单变量研究结果,并对单变量进行相关组合。因变量的选取主要选择影响煤粉燃烧稳定性的相关参数,如着火模式、着火时间等。
更进一步地,因目前缺少对湍流强度对煤粉着火特性影响的详细研究,仅有部分工作对比了层流和湍流工况下着火行为的差异,而未对湍流程度对其影响进行深入探讨,因此湍流强度量化采用开关量0和1。
进一步地,进行线性回归分析后,通过回归检验参数检测回归效果,以检测回归自变量的选取是否合适。
进一步地,从统计学角度,当P<5%时,认为回归系数显著,所选变量之间存在明显的线性关系,因此预设值设为5%。
附图说明
图1为本发明的煤粉燃烧特征参数智能预测方法的流程示意图;
图2为多个自变量到煤粉燃烧特征参数的直接映射关系图。
具体实施方式
下面以附图和具体实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明用于简化煤粉燃烧稳定性预测流程,实现煤粉燃烧智能化、数字化。如图2,即通过简单的映射关系,实现从多个自变量到煤粉燃烧特征参数的直接映射。
选取表征着火稳定性的特征参数:着火延迟时间和着火模式作为因变量,选取环境变量:温度T(K)、氧气浓度fO2、压力p(atm)、二氧化碳浓度fCO2、水蒸气浓度fH2O、湍流强度I,以及颗粒自身特性:挥发分含量V(%)、颗粒粒径d(μm),作为自变量。
如图1,为本发明的煤粉燃烧特征参数智能预测方法,包括:
(1)首先,耦合煤粉化学渗透热解模型和气相化学反应机理,建立单颗粒着火模型,并采用典型实验研究结果对模型进行校验。
(2)基于单颗粒煤粉着火模型,通过控制变量的研究方法,分别研究不同环境温度T(K)、氧气浓度fO2、压力p(atm)、二氧化碳浓度fCO2、水蒸气浓度fH2O、湍流强度I,以及颗粒自身特性:挥发分含量V(%)、颗粒粒径d(μm)时,煤粉颗粒的着火延迟时间以及着火模式特征参数的变化规律。
(3)基于各个单变量(单一自变量)变化对煤粉燃烧特征参数的影响规律,选取回归变量,使其能够合理体现煤粉燃烧特征参数的变化特性。
(4)通过线性回归分析工具,对因变量和各个自变量进行线性回归分析,通过回归检验参数检测回归效果。
(5)通过合理调整因变量的选取,优化回归结果,使得各变量的回归P值均小于5%。
具体来说,以1500K、0.2O2浓度,1atm,0%CO2,0%H2O,湍流强度为0,挥发分含量为30%,颗粒粒径为70μm为标准工况。通过单颗粒着火模型,计算得到不同环境温度(1200~1800K),不同氧气浓度(0.1-0.3),不同压力(1-3atm),不同CO2浓度(0%-80%),不同H2O浓度(0%-20%),不同湍流强度(0或1),不同挥发分含量(10-30%),不同颗粒粒径(60-90μm)中选取若干工况,采用单颗粒着火模型分别计算得到着火延迟时间(tig)和着火模式(Δt),以上得到的数据集作为本次智能预测训练模型的数据集。选取回归分析因变量,如tig=f(T-1,fO2 -1,p-1,V,d,fCO2·fO2 2,fCO2·fO2,fH2O 2,fH2O,I/fO2),Δt=f(T-1,fO2 0.5,p0.5,V,d,fCO2,I/fO2)。经回归分析,获得其各自变量的权重参数,并且经检验,各变量的回归P值均小于5%,证明变量选取合适,回归结果可信。
本发明还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明所述煤粉燃烧特征参数智能预测方法的步骤。
本发明煤粉燃烧特征参数智能预测方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明煤粉燃烧特征参数智能预测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,在示例性实施例中,还提供了一种计算机可读存储介质,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于该计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述煤粉燃烧特征参数智能预测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
需要说明的是,以上所述仅为本发明实施方式的一部分,根据本发明所描述的***所做的等效变化,均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均属于本发明的保护范围。
Claims (10)
1.一种煤粉燃烧特征参数智能预测方法,其特征在于,包括:
S1:建立单颗粒煤粉着火模型;
S2:基于单颗粒煤粉着火模型,通过控制变量的研究方法,将表征着火稳定性的特征参数划分为因变量和自变量,分别研究不同自变量下因变量的变化规律;
S3:基于各个单变量变化对煤粉燃烧特征参数的影响规律,选取回归变量,使其能够合理体现煤粉燃烧特征参数的变化特性;
S4:通过线性回归分析工具,对因变量和各个自变量进行线性回归分析;
S5:合理调整因变量的选取,优化回归结果,使得各变量的回归P值均小于预设值;确定各自变量的权重参数,得到回归关系式。
2.如权利要求1所述的煤粉燃烧特征参数智能预测方法,其特征在于,S1中,单颗粒煤粉着火模型是通过耦合煤粉化学渗透热解模型和气相化学反应机理建立得到的。
3.如权利要求1所述的煤粉燃烧特征参数智能预测方法,其特征在于,S1中,建立单颗粒煤粉着火模型后,采用典型实验研究结果对单颗粒煤粉着火模型进行校验。
4.如权利要求1所述的煤粉燃烧特征参数智能预测方法,其特征在于,S2中,因变量包括着火延迟时间和着火模式;自变量包括环境变量和煤粉颗粒自身特性。
5.如权利要求4所述的煤粉燃烧特征参数智能预测方法,其特征在于,环境变量包括温度、氧气浓度、压力、二氧化碳浓度、水蒸气浓度和湍流强度;煤粉颗粒自身特性包括挥发分含量和颗粒粒径。
6.如权利要求5所述的煤粉燃烧特征参数智能预测方法,其特征在于,湍流强度量化采用开关量0和1,层流工况中,湍流强度变量值取0;湍流工况中,湍流强度变量值取1。
7.如权利要求1所述的煤粉燃烧特征参数智能预测方法,其特征在于,S4中,进行线性回归分析后,通过回归检验参数检测回归效果。
8.如权利要求1所述的煤粉燃烧特征参数智能预测方法,其特征在于,S5中,预设值为5%。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的煤粉燃烧特征参数智能预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的煤粉燃烧特征参数智能预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904173.6A CN113628689A (zh) | 2021-08-06 | 2021-08-06 | 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904173.6A CN113628689A (zh) | 2021-08-06 | 2021-08-06 | 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628689A true CN113628689A (zh) | 2021-11-09 |
Family
ID=78383480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110904173.6A Pending CN113628689A (zh) | 2021-08-06 | 2021-08-06 | 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329829A (zh) * | 2021-12-24 | 2022-04-12 | 哈尔滨工程大学 | 一种船用柴油机活塞型线自动生成方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105240846A (zh) * | 2015-10-09 | 2016-01-13 | 南京信息工程大学 | 多变量广义预测控制优化的循环流化床锅炉燃烧过程控制方法 |
CN107526927A (zh) * | 2017-08-10 | 2017-12-29 | 东北大学 | 一种高炉铁水质量在线鲁棒软测量方法 |
CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
CN112036100A (zh) * | 2020-09-24 | 2020-12-04 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
-
2021
- 2021-08-06 CN CN202110904173.6A patent/CN113628689A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105240846A (zh) * | 2015-10-09 | 2016-01-13 | 南京信息工程大学 | 多变量广义预测控制优化的循环流化床锅炉燃烧过程控制方法 |
CN107526927A (zh) * | 2017-08-10 | 2017-12-29 | 东北大学 | 一种高炉铁水质量在线鲁棒软测量方法 |
CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
CN112036100A (zh) * | 2020-09-24 | 2020-12-04 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
Non-Patent Citations (3)
Title |
---|
XU Y ET AL: "Characterization on Ignition and Volatile Combustion of Dispersed Coal Particle Streams: In Situ Diagnostics and Transient Modeling", ENERGY FUELS, vol. 32, no. 9, pages 9850 * |
张林锋: "高效煤粉工业锅炉低NOx 排放特性及燃烧优化研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 2019, pages 30 - 61 * |
王超群, 孔学标: "三通道喷煤管强化煤粉燃烧机理分析", 水泥 石灰, no. 03, pages 15 - 18 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329829A (zh) * | 2021-12-24 | 2022-04-12 | 哈尔滨工程大学 | 一种船用柴油机活塞型线自动生成方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382582B (zh) | 一种晶圆测试分类方法及*** | |
Krotofil et al. | The process matters: Ensuring data veracity in cyber-physical systems | |
CN1103946C (zh) | 分析测量值的方法以及实施此方法的测量值分析器 | |
CN106872172B (zh) | 航空发动机试验安全参数监视的实时判别方法及*** | |
CN105528288A (zh) | 一种软件测试方法以及装置 | |
CN110632546B (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
CN113628689A (zh) | 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 | |
CN110462538B (zh) | 信息处理装置、信息处理方法以及存储介质 | |
CN103207567B (zh) | 一种低误报率的改进主元分析过程监测方法及其监测*** | |
Shalalfeh et al. | Fractional dynamics of PMU data | |
CN117574180B (zh) | 燃料生产排放***数据关联性控制管理*** | |
CN113591314B (zh) | 传感器可信性评估方法、装置、计算机设备及介质 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测***及方法 | |
CN107560747A (zh) | 一种温度检测方法及其装置、集成电路 | |
CN114239421A (zh) | 一种基于bp神经网络的煤粉燃烧特征参数预测方法及*** | |
Li et al. | Grouping multi‐rate sampling fault detection method for penicillin fermentation process | |
JP2014110047A (ja) | 電子回路シミュレーションのための方法及び装置 | |
CN116859210A (zh) | 通信芯片可靠性测试方法、装置和*** | |
Mares et al. | Artificial intelligence-based control system for the analysis of metal casting properties | |
CN113804595A (zh) | 一种多参数空气质量监测*** | |
CN101846588A (zh) | 基于模式搜索的阀门粘滞跳跃特性检测方法 | |
CN111272457A (zh) | 基于温度数据的机械状态检测方法和电子设备 | |
CN111507003A (zh) | 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 | |
Kulcziycki | A test for comparing distribution functions with strongly unbalanced samples |
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 |