Epley-1RM-Rechner

Sie erhalten eine transparente Schätzung in derselben Einheit, die Sie eingegeben haben, geeignet für prozentuale Programmierung, Fortschrittsprotokolle oder die Batch-Auswertung einer Trainingsgeschichte über die API. Fehlgeschlagene Validierung liefert einen klaren invalid_input-Fehler und wird nicht berechnet.

Eingabefelder, Rundung und Fehlerverhalten

Optionales decimals, eine ganze Zahl von null bis vier mit Standard zwei, steuert, wie viele Nachkommastellen auf dem gerundeten 1RM erscheinen. Es gibt keinen Netzwerksprung, Modellaufruf, Uhrzeitlesevorgang oder Zufallsquelle auf dem Pfad, daher bleibt die Latenz im reinen Edge-Parse-Band und wiederholte Aufrufe driften nie. Kombinieren Sie die Schätzung mit Ihren eigenen Prozenttabellen, wenn Sie Arbeitssätze bei siebzig, achtzig oder neunzig Prozent des geschätzten Maximums brauchen; dieser Endpunkt endet beim Epley-1RM, damit der Produkttext ehrlich bleibt, was berechnet wurde. Senden Sie ein JSON-Objekt mit zwei Pflichtfeldern: weight, eine positive endliche Zahl für die gehobene Last, und reps, eine ganze Zahl von eins bis dreißig für abgeschlossene Wiederholungen. Aliase wie load, mass oder w für weight und repetitions, r oder n für reps mappen auf dieselben Parameter, sodass bestehende Formulare ohne Umbenennung angebunden werden. Nicht positives Gewicht, fehlende Felder, nicht ganzzahlige reps, reps außerhalb von eins bis dreißig und ungültige decimals scheitern sofort mit invalid_input und Benennung des Problems; diese Fehler belasten das Prepaid-Guthaben nicht. Bei Erfolg spiegelt die Antwort weight und reps, liefert one_rep_max nach Half-up, kennzeichnet formula als epley, stellt die Gleichungszeichenkette neu dar, spiegelt decimals und enthält unit_note mit dem Hinweis, dass die Schätzung die Einheit des eingegebenen Gewichts teilt.

Wo ein Epley-1RM-Rechner in reale Abläufe passt

Krafttrainer und Personal Trainer wandeln einen aktuellen Fünf- oder Drei-Wiederholungssatz in eine Epley-Schätzung um, bevor sie den nächsten Block prozentbasierter Einheiten schreiben. Fitness-Apps erfassen die Hebehistorie im Onboarding und brauchen ein vertretbares 1RM, ohne Nutzer am ersten Tag in einen riskanten echten Max-Test zu zwingen. Forschungs- und Club-Protokollpipelines bewerten viele Sätze einer Saison im Batch, damit Progressionsdiagramme das geschätzte Maximum über die Zeit zeigen statt nur die Rohlast. Entwickler betten den Aufruf in CRON-Jobs und Webhooks ein, damit jeder Microservice eine einzige Definition von Epley teilt, statt fließkommaempfindliche Multiplikationen neu zu implementieren, die beim Runden abweichen. Der Browser-Pfad ist kostenlos für einzelne interaktive Checks: geben Sie hundert für weight und fünf für reps ein und bestätigen Sie das klassische Ergebnis einhundertsechzehn Punkt sechs sieben bei zwei Dezimalstellen. Der API-Pfad kostet $0.002 pro erfolgreicher Anfrage und wird pro Item abgerechnet, was Massenbewertung von Logs günstig hält und trotzdem die Edge-Ausführung deckt. Weil Ergebnisse deterministisch sind, können Audit-Logs die volle Antwort speichern und Jahre später ohne Drift erneut ausführen, und Continuous-Integration-Goldens fixieren exaktes JSON für Regressionen, sobald die Bibliothek angefasst wird.