异步推理并保存结果 (SimInferService 流程解析)

在仿真计算完成后，系统需要将每一步的计算结果发送给 Python 推理服务，以预测关键指标（如 Keff）。这个过程由 SimInferService 和 DeviceInferService 协同完成。

1. 推理数据不是一次性全部发送

核心结论： 并不是把所有结果封装为一个大 Request 调用一次推理接口，而是进行了精细的多级分组后，分别调用推理接口。

因为不同的设备、不同的材料、以及用户为设备配置的不同算法，都对应着不同的模型文件（Pipeline/Model）。一次推理请求只能加载一个模型文件，所以必须将必须使用同一模型的数据分在同一批次发送。

整个流程分为两部分：在 SimInferService 中进行一级分组，然后在 DeviceInferService 中进行二级和三级分组。

位置： SimInferService.asyncInferAndSave

展平时间轴 (Flatten Timeline)：仿真引擎返回的 SimContext 是按时间步（Step）组织的。代码首先遍历每个时间步，将散落的属性（如液位、浓度）按 unitId 聚合。
注入元数据：通过 SimUnit，将静态属性（如设备固有的直径、高度）以及新加入的 materialType（如 U, Pu）合并到设备的属性集合中，生成 DeviceStepInfo 对象。
一级分组：将所有时间步的 DeviceStepInfo 根据 设备类型 (deviceType) 放入 Map<String, List<DeviceStepInfo>> groupedDevices 中。
- 例如：所有的 CylindricalTank 数据在一组，AnnularTank 在另一组。

位置： DeviceInferService.processDeviceInference

读取配置：获取全局配置的算法（如 GPR），以及针对特定设备独立配置的算法（deviceAlgoConfig）。
二级分组：在某一个设备类型（如 CylindricalTank）的数据列表中，进一步按 算法类型 (algoType) 分组。
- 例如：CylindricalTank 组被拆分为 -> 使用 GPR 算法的批次、使用 MLP 算法的批次。

位置： DeviceInferService.processDeviceInference

三级分组：在特定的算法批次中，进一步按 材料类型 (materialType) 分组。
- 例如：使用 GPR 的 CylindricalTank 批次被拆分为 -> 材料为 U 的批次、材料为 Pu 的批次。

经过上述三级分组后，我们得到了一个高度同质化的数据批次。对于每一个这样的最终批次：

查询模型：调用 algorithmModelService.getCurrentModelPath(algoType, deviceType, materialType)。因为这三个维度相同，所以它们一定使用同一个物理模型文件（.pkl）。
构建 Request：将这批数据（包含所有相关设备在所有时间步的状态）组装成一个 InferRequest。
发起调用：向 Python 服务发送 HTTP POST 请求 /v1/infer。
入库保存：Python 返回每个设备在每个时间步的预测结果（如 keff），Java 端解析这些结果并批量保存到 scenario_result 表中。

整个过程是加上了 @Async 异步执行的，不会阻塞前端获取基础仿真数据。
如果某一个批次因为找不到模型（例如上述终端日志中 GPR + CylindricalTank + U 的模型未配置），代码会记录错误并标记 hasAnyError = true，然后跳过该批次（continue）。
兜底机制：如果所有的批次都失败或找不到模型（!hasAnySuccess && hasAnyError），会抛出 RuntimeException。这会被外层 SimInferService 捕获，并将该情景的状态更新为 "3" (失败)。