1.一种基于改进KNN算法的页岩脆性指数预测方法,其特征在于:包括以下步骤;
(1)已知数口井的原始测井资料,所述原始测井资料包括井内n个不同深度处的测井参数和脆性指数;所述测井参数包括中子孔隙度CNL,横波时差DTS、钾含量K、声波时差AC、自然伽马GR和有机质含量TOC,选择一口井作为训练井,其余为测试井;
(2)将训练井中的每个测井参数分别与脆性指数进行相关性分析并对比,选择相关系数绝对值在前三的三个测井参数作为自变量,分别标记为自变量A、自变量B、自变量C,脆性指数作为因变量;
(3)构建训练样本和训练数据库;
将训练井同一深度处的三个自变量构成训练样本xi={xAi,xBi,xCi},i表示第i个深度,i=1~n,xAi,xBi,xCi分别表示第i个深度处自变量A的值、自变量B的值、自变量C的值,该深度对应的脆性指数为yi,将yi作为该训练样本的标签,所有训练样本构成训练数据库;
(4)利用KNN算法迭代优化训练数据库,得到最优训练数据库;包括步骤(41)‑(48);
(41)将所有训练样本构成矩阵X={XA,XB,XC},其中XA、XB、XC分别为所有xAi、xBi、xCi构成的列向量,将所有脆性指数按深度构成列向量Y;预设一迭代矩阵Xt={XAt,XBt,XCt}、迭代次数M,t=1~M;且当t=1时,XAt=XA、XBt=XB、XCt=XC;
(42)对矩阵X中的元素分别归一化处理,得到归一化后的矩阵X′;
(43)对矩阵Xt中的元素分别归一化处理,得到归一化后的矩阵Xt′;
(44)计算矩阵Xt′的预测值,包括(a1)‑(a5);
(a1)将矩阵X′的每一行,分别与矩阵Xt′的第一行求欧氏距离,得到数个欧式距离值;
(a2)利用冒泡排序算法对所有欧式距离值从小到大排序,得到一距离序列;
(a3)查找距离序列中前K个欧氏距离值对应的训练样本的标签,得到K个标签,将K个标签求均值,作为Xt′第一行的脆性指数预测值;
(a4)按照(a1)‑(a3)的方法,得到Xt′每一行的脆性指数预测值;
(a5)将所有脆性指数预测值按深度排序构成一列向量Yt,作为矩阵Xt′的预测值;
(45)计算Yt与Y间的均方差MSE、允许绝对误差E、和预测率rate;
(46)预设一绝对误差,保留矩阵X中绝对误差≤E的训练样本,迭代更新Xt;
(47)重复步骤(43)‑(46),直到达到迭代次数;
(48)对比每次迭代计算的均方差MSE和预测率,选择均方差小且预测率高的迭代次数对应的迭代矩阵,作为最优训练数据库;
(5)在KNN算法中,将最优训练数据库中的数据再作为训练数据,将测试井与训练井中对应的数据作为测试数据,采用交叉验证法得到最优K值;
(6)基于KNN算法利用最优训练数据库、最优K值建立一KNN模型,作为页岩脆性预测模型;
(7)选择一待测井,获取其原始测井资料中与最优训练数据库对应的测井数据,输入页岩脆性预测模型中,输出其预测值。
2.根据权利要求1所述的一种基于改进KNN算法的页岩脆性指数预测方法,其特征在于:步骤(45)中,计算Yt与Y间的均方差MSE、允许绝对误差E和预测率rate,具体采用以下公式计算:E=(BImax‑BImin)×100% (2)式(1)中,yi为步骤(3)中训练井第i个深度处的脆性指数为,yti为列向量Yt的第i个元素;
式(2)中,BImax和BImin为本次迭代的Yt中的最大值和最小值;
式(3)中,M为迭代次数,time为预测准确的次数,其判定标准为:若本次迭代中,MSE<E,则认为本次预测准确。