JavaProjectRepo/business-css/新版本仿真计算方法.md

新版本仿真计算方法

新版本仿真计算采用 SimController 统一入口，通过 SimDataFacade 加载数据，SimBuilder 构建模型，SimService 执行核心计算，最终由 SimResultConverter 转换结果。相较于旧版本（ProjectController + ProjectServiceImpl + DeviceInferService），新架构职责更清晰，扩展性更强。

1. 核心流程

1. 入口: SimController.run(req)
   • 接收 projectId, scenarioId, steps 参数。
2. 数据加载: SimDataFacade.loadSimulationData
   • 加载 Project (拓扑), Device (设备列表), Events (场景事件)。
3. 模型构建: SimBuilder.buildUnits & buildEvents & buildInfluenceNodes
   • Units: 将设备和物料转换为 SimUnit，注入静态属性（包括从 Device.size 解析的几何尺寸，从 Material 表加载的物理化学属性）。
   • Events: 将 Event 数据转换为 SimEvent 时间序列。
   • Influence: 解析拓扑中的 influence 节点，构建 SimInfluenceNode 依赖关系图。
4. 核心计算: SimService.runSimulation
   • 初始化: t=0，写入所有 SimUnit 的静态属性。
   • 时间步推进: t=1 to steps
     1. Apply Events (Input): 应用普通设定值事件。
     2. Apply Influence: 基于拓扑关系计算派生属性（如 bias + coeff * source）。
     3. Apply Events (Override): 应用强制覆盖事件（如故障注入）。
     4. Snapshot: 保存当前步所有属性状态。
5. 结果转换: SimResultConverter.toFrames
   • 将 SimContext 中的时间轴数据转换为前端所需的 Frame 结构。
   • 补全静态属性: 确保每一帧都包含设备的不变属性（如 diameter, height）。
   • 封装元数据: 添加 projectId, scenarioId 等信息，遵循统一响应格式。

2. 与旧版本对比

特性	旧版本 (ProjectController / ProjectServiceImpl)	新版本 (SimController / SimService)
架构模式	事务脚本模式，逻辑集中在 ServiceImpl	领域模型模式，组件职责分离 (Builder, Engine, Facade)
计算逻辑	混合了 JSON 解析、数据查询和硬编码公式	基于 SimUnit, SimEvent, SimInfluenceNode 的抽象模型计算
扩展性	难以扩展新设备类型或计算规则	易于扩展（只需修改 Builder 或 Engine 策略）
数据完整性	容易遗漏属性（如 size 解析分散）	SimBuilder 集中处理属性注入，ResultConverter 保证输出完整
推理集成	强依赖 DeviceInferService，解析前端传入的 JSON	按需集成，直接基于仿真计算生成的 SimContext 数据进行推理

3. 关键组件详解

3.1 SimBuilder (模型构建)

负责将异构的原始数据（JSON 拓扑、数据库实体）标准化为仿真计算单元。

• 多态尺寸解析: injectDeviceSize 支持 FlatTank, ExtractionColumn 等多种设备几何解析。
• 全量物料属性: buildMaterialStaticFromDb 加载所有物料理化性质。

3.2 SimService (计算引擎)

纯内存计算引擎，支持：

• 静态基线: t=0 状态。
• 动态演变: Event 驱动的状态变化。
• 级联影响: 拓扑网络中的属性传播（支持延迟 delay 和系数 coeff）。

3.3 SimResultConverter (结果适配)

• Frame 生成: 将离散的 SimContext 转换为连续的动画帧。
• 数据补全: 自动将 staticProperties 注入每一帧，解决前端渲染缺失静态参数的问题。

4. 推理调用与结果持久化优化 (New)

新版本针对推理接口调用和结果入表逻辑进行了深度优化，消除了对前端 JSON 格式的强依赖。

4.1 旧版本逻辑回顾

• 流程: ProjectController -> ProjectServiceImpl -> DeviceDataParser -> DeviceInferService -> Python API -> ScenarioResult 表。
• 痛点: 依赖前端传入的特定格式 JSON (params)；DeviceDataParser 解析逻辑复杂且脆弱；推理逻辑与 Service 强耦合。

4.2 新版本优化方案

1. 直接基于 SimContext 推理:
   • 仿真计算完成后，直接从 SimContext 提取每一帧的属性状态，不再需要 DeviceDataParser 解析 JSON 字符串。
   • SimService 提供 getDeviceStateList(deviceId) 方法，快速导出时序数据。
2. 组件化推理服务:
   • 引入 SimInferService，负责封装 SimContext 为 InferRequest 格式。
   • 异步调用 Python 接口，提高系统响应速度。
3. 批量持久化:
   • 推理结果 (Keff, features) 统一封装为 ScenarioResult 列表，使用 MyBatis-Plus 的 saveBatch 异步写入，避免频繁数据库操作。

4.3 核心伪代码示例

// 在 SimController 中调用
SimContext ctx = simService.runSimulation(units, events, nodes, steps);
// 异步执行推理并入表
simInferService.asyncInferAndSave(projectId, scenarioId, ctx, units);

5. 后续演进建议

1. 集成 Python 推理: 目前 SimService 主要执行线性影响计算。如需复杂机理模型（如 Keff 计算），可在 SimService 中通过 DeviceInferService 调用 Python API。
2. 性能优化: 对于长时序、大规模拓扑，SimContext 可优化为基于数组的存储，而非 Map。
3. 实时流式输出: 支持 WebSocket 或 SSE，实现边计算边推送。