📑 Inhaltsverzeichnis
Magneto-aktive Elastomere (MAE) sind intelligente Werkstoffe, deren magnetisches und mechanisches Verhalten bei endlichen Dehnungen stark gekoppelt ist. Simulationen, die Variationen von Mikrostruktur, Materialeigenschaften und Geometrie berücksichtigen, sind rechnerisch äußerst aufwendig.
Die vorliegende Arbeit entwickelt auf Basis des Finite-Operator-Learning-Frameworks (FOL) einen datenfreien, physikinformierten Operator-Lernansatz für Familien gekoppelter magneto-mechanischer Randwertprobleme bei finiten Deformationen: Die maßgeblichen magnetostatischen und mechanischen Gleichungen werden über Finite-Elemente-Schwachform-Residuen erzwungen, sodass die neuronalen Operatoren ohne gelabelte Simulationsdaten trainiert werden können.
Kernbeitrag ist der sogenannte Weak-Form Staggered Neural Operator (WSNO) für stark gekoppelte magneto-mechanische Sattelpunktprobleme. Separate magnetische und mechanische neuronale Operatoren werden dabei abwechselnd mit einer gestaffelten Optimierungsstrategie trainiert, während die physikalische Kopplung über konstitutive Beziehungen und Residuenauswertungen erhalten bleibt. Das Framework lernt Abbildungen von parametrisierten Material- und Geometriebeschreibungen auf die zugehörigen gekoppelten magnetischen und mechanischen Lösungsfelder.
Warum ausgerechnet die Schwachform? Die Integralfassung $\int_{\Omega} \mu\,\nabla\varphi\cdot\nabla w\,\mathrm{d}V = 0$ der magnetostatischen Bedingung (mit dem skalaren Potential $\varphi$, $\mathbf{H} = -\nabla\varphi$) verlangt vom Lösungsraum weniger Differentierbarkeit als die starke Form und verträgt Materialsprünge – genau das, was ferromagnetische Einschlüsse in einer weichen Matrix physikalisch sind. Dasselbe Residuum, das der neuronale Operator beim Training minimiert, ist das Residuum, das eine Finite-Elemente-Assemblierung liefern würde: „Datenfrei" heißt hier also nicht „physikfrei", sondern „die Physik ist der Loss". Die Kopplung macht das Problem zu einem Sattelpunktproblem: Die magnetische Gleichung enthält keine Dehnungsterme zweiter Ordnung, die mechanische keine Feldterme zweiter Ordnung – deshalb lassen sich zwei Operatoren getrennt und abwechselnd (gestaffelt) trainieren, solange die konstitutiven Beziehungen die Kopplung in jedem Schritt wieder zusammensetzen.
Validiert wurde der Ansatz in mehreren Szenarien, darunter heterogene Zufalls-Einschluss-Mikrostrukturen, variierender magnetischer Phasenkontrast, flächenanteilsabhängige Geometrien, stark verteilungsfremde Materialmorphologien sowie dreidimensionale geometrieparametrische Probleme.
Zusätzlich wird der gelernte Operator mit einer neuronal initialisierten Newton-Strategie kombiniert: Der nichtlineare Finite-Elemente-Löser wird mit der neuronalen Vorhersage initialisiert, was die Konvergenz verbessert. Die Ergebnisse zeigen, dass das Framework gekoppelte magneto-mechanische Antworten über ein breites Spektrum parametrischer Problemstellungen präzise erfassen kann – ein vielversprechender Weg, teure Parameterstudien für multifunktionelle Werkstoffe drastisch zu beschleunigen.
Hintergrund: Magneto-aktive Elastomere bestehen typischerweise aus einer weichen Polymermatrix (z. B. Silikon mit Schubmodul $G \approx 10{-}100\ \mathrm{kPa}$) mit eingelagerten ferromagnetischen Partikeln wie Karbonylseisen ($\mathrm{Fe}$); unter Magnetfeldern bilden sich Partikelketten, die Steifigkeit und Form des Materials steuern. Anmerkung der Redaktion: Magnetismus und Elastizität gehören zum Physik-Grundstudium, die quantitative Brücke – Entmagnetisierungsfaktoren, Maxwell-Spannungen, Reluktanzrechnung und Konvergenzraten von Lösern – ist aber eher Mechanik/Magnetotechnik des Hauptstudiums. Der folgende Lernimpuls baut diese Brücke mit Werkzeugen, die auch im Bachelor (Technische Mechanik, Elektrodynamik) Standard sind.
Lernimpuls
Kernidee: Ein MAE unter Feld ist ein gekoppeltes Randwertproblem, und beide Richtungen der Kopplung sind einzeln quantifizierbar. Magnetostatisch schützt die Entmagnetisierung das Partikelinnere: Eine Kugel mit relativer Permeabilität $\mu_{r,i}$ in einer Matrix mit $\mu_{r,m}$ sieht nur $H_{\mathrm{in}} = \frac{3\mu_{r,m}}{\mu_{r,i}+2\mu_{r,m}}\,H_0$ – bei Carbonylseisen ($\mu_r = 5$) in Silikon ($\mu_r \approx 1$) im Außenfeld $H_0 = 200\ \mathrm{kA/m}$ also nur 85,7 kA/m, obwohl die Flussdichte im Partikel mit $B_{\mathrm{in}} = 0{,}54\ \mathrm{T}$ sogar über dem angelegten $B_0 = 0{,}25\ \mathrm{T}$ liegt: $H$ wird abgeschirmt, $B$ wird konzentriert – zwei verschiedene Grenzbedingungen derselben Maxwell-Gleichungen ($\nabla\times\mathbf{H} = 0$, $\nabla\cdot\mathbf{B} = 0$, gerade die Schwachform-Struktur, die der WSNO erzwingt). Die Magnetisierung $M \approx 343\ \mathrm{kA/m}$ dieses Partikels treibt mechanisch eine Kettenzugspannung $\sigma_{\mathrm{mag}} \approx \mu_0 M^2/12 \approx 12{,}3\ \mathrm{kPa}$ (Dipolkraft $F = \tfrac{3\mu_0 m^2}{4\pi d^4}$, berührende Kugeln $d = 2a$, Volumen $\tfrac{4}{3}\pi a^3$ – die Kettenquerschnittsfläche $\pi a^2$ kürzt sich exakt zu diesem Faktor 1/12). Gegen einen Schubmodul $G_0 = 30\ \mathrm{kPa}$ bedeutet das rund 41 % Modulzuwachs – der klassische MAE-Effekt, hier aus drei Zeilen Vektoranalysis rekonstruiert. Genau diese Zwei-Richtungs-Kopplung (das Feld verändert die Steifigkeit, die Deformation verändert über die Geometrie das Feld) macht das Problem zu einem Sattelpunktproblem und erklärt die Architektur: Zwei Operatoren, gestaffelt trainiert, über konstitutive Residuen verkoppelt – eine Gauß-Seidel-artige Zerlegung, deren lineare Konvergenz der monolithischen quadratischen Newton-Konvergenz unterliegt, weshalb die neuronale Initialisierung des Newton-Lösers der eigentliche Leistungssprung ist: Drei Größenordnungen an Startresiduum sparen dort zwei Iterationen (exponentiell), in der gestaffelten Schleife aber nur 31 von 62 Sweeps (linear). „Datenfrei" heißt die Rechnung trotzdem nicht gratis: Das Training amortisiert sich erst nach einigen Hundert Parameterauswertungen – danach kostet eine Vorhersage 20 Millisekunden statt 30 Sekunden Finite-Elemente-Zeit.
Häufige Fehlvorstellung: „Datenfrei heißt, das Netzwerk hat die Physik ersetzt." Falsch: Die Physik ist der Loss – das Residuum der Schwachform; das Netzwerk parametrisiert nur den Lösungsoperator, kein einziges gelabeltes FE-Feld wird gezeigt, aber ohne Maxwell- und Elastizitätsgleichungen gibt es nichts zu minimieren. Zweite Fehlvorstellung: „$\mu_r = 5$ heißt, im Verbund ist alles fünffach magnetisch." Falsch: Der Entmagnetisierungsfaktor einer Kugel ($N = 1/3$) drückt das innere Feld auf $\tfrac{3}{7}H_0$; die effektive Suszeptibilität des Verbunds liegt weit unter der der Komponenten, und erst Partikelketten senken $N$ entlang des Feldes – deshalb ist die Kettenbildung der aktive Hebel, nicht die Permeabilitätszahl allein. Dritte Fehlvorstellung: „Die Magnetantwort ist linear, also gilt das Modell bei jedem Feld." Falsch: Mit $\mu_r = 5$ konstant erreicht das Linearmodell bei $B_{\mathrm{in}} \approx 2{,}1\ \mathrm{T}$ die Sättigungsinduktion des Eisens (bei $B_0 \approx 0{,}98\ \mathrm{T}$, $M$ bei rund 79 % von $M_{\mathrm{sat}} \approx 1{,}7\ \mathrm{MA/m}$); darüber klemmt die Magnetisierung bei $M_{\mathrm{sat}}$ und die Kettenzugspannung deckelt sich bei $\mu_0 M_{\mathrm{sat}}^2/12 \approx 0{,}3\ \mathrm{MPa}$ – deshalb zeigen MAE-Experimente oberhalb etwa 1 T abnehmende Erträge. Vierte Fehlvorstellung: „Gestaffeltes Training ist einfach langsames monolithisches Training." Falsch: Es ist eine andere Konvergenzklasse – der Kopplungsfehler schrumpft linear mit Faktor $a$ ($62$ Sweeps bis $10^{-6}$ bei $a = 0{,}8$), während Newton quadratisch konvergiert; die Trennung kauft billigere Teilprobleme (zwei Systeme der Größe $n$ statt eines der Größe $2n$), zahlt dafür mehr Iterationen – eine klassische Kosten-Konvergenz-Abwägung, keine Belletristik. Fünfte Fehlvorstellung: „Mit neuronaler Initialisierung konvergiert Newton garantiert." Falsch: Quadratische Konvergenz ist lokal; der Operator liefert einen besseren Startpunkt, keinen Konvergenzbeweis – bei verteilungsfremden Morphologien kann der Initialwert außerhalb der Einzugsregion liegen, genau dieser Fall wurde in der Studie separat validiert. Sechste Fehlvorstellung: „Der Operator hat das Material gelernt, also gilt er für jedes Material." Falsch: Gelernt wird eine Abbildung auf einem parametrischen Raum; sein Gültigkeitsbereich ist die Trainingsverteilung plus interpolationsfähige Nachbarschaft – extrapolierende Mikrostrukturen sind der Grund, warum der Ansatz residuenbasiert bleibt (Residuen kann man auch außerhalb der Verteilung auswerten, Label nicht).
Prüfe dich:
- Entmagnetisierter Phasenkontrast: Eine kugelförmige Carbonyl-Eisen-Einschlussprobe ($\mu_{r,i} = 5$) liegt in einer Silikonmatrix ($\mu_{r,m} \approx 1$); angelegt sei ein Feld $H_0 = 200\ \mathrm{kA/m}$ ($\mu_0 = 4\pi\times10^{-7}\ \mathrm{H/m}$). (a) Berechnen Sie das innere Feld $H_{\mathrm{in}} = \frac{3\mu_{r,m}}{\mu_{r,i}+2\mu_{r,m}}H_0$, die innere Flussdichte $B_{\mathrm{in}} = \mu_0\mu_{r,i}H_{\mathrm{in}}$ und die angelegte Flussdichte $B_0 = \mu_0 H_0$. (b) Bestimmen Sie die Magnetisierung $M = B_{\mathrm{in}}/\mu_0 - H_{\mathrm{in}}$ und begründen Sie, warum $H_{\mathrm{in}} < H_0$, aber $B_{\mathrm{in}} > B_0$ gleichzeitig gelten kann.
- Schwachform in 1D – die Reluktanzkette: Zwei Schichten der Länge $L_1 = L_2 = 5\ \mathrm{mm}$ liegen in Serie im Feld; Schicht 1 sei Matrix ($\mu_r = 1$), Schicht 2 partikelreich ($\mu_r = 5$). Die magnetische Gesamtspannung (Linienintegral von $\mathbf{H}$) betrage 2000 A. Nutzen Sie die Flusserhaltung $\nabla\cdot\mathbf{B} = 0$ (in 1D: $B = \mathrm{const.}$) und $\oint\mathbf{H}\cdot\mathrm{d}\mathbf{l} = 2000\ \mathrm{A}$, um die Flussdichte $B$ aus $B\left(\frac{L_1}{\mu_0\mu_{r,1}} + \frac{L_2}{\mu_0\mu_{r,2}}\right) = 2000\ \mathrm{A}$ zu bestimmen. Berechnen Sie $H_1$ und $H_2$ und prüfen Sie die Summe.
- Von der Magnetisierung zum Modul: Aus Aufgabe 1 folgt $M \approx 343\ \mathrm{kA/m}$. Die Zugkraft einer Dipolkette berührender Kugeln (Radius $a$, Dipolmoment $m = M\cdot\tfrac{4}{3}\pi a^3$, Abstand $d = 2a$) ist $F = \frac{3\mu_0 m^2}{4\pi d^4}$. (a) Zeigen Sie, dass mit der Kettenquerschnittsfläche $\pi a^2$ die Spannung $\sigma_{\mathrm{mag}} = \mu_0 M^2/12$ beträgt. (b) Berechnen Sie sie für $M = 343\ \mathrm{kA/m}$. (c) Die Matrix habe $G_0 = 30\ \mathrm{kPa}$: Bestimmen Sie $\Delta G/G_0$ und das effektive $G$. (d) Vergleichen Sie $\sigma_{\mathrm{mag}}$ mit der magnetischen Energiedichte $B_{\mathrm{in}}^2/(2\mu_0)$ am Partikelpol als oberer Skala.
- Linearitätsgrenze: Das Linearmodell aus Aufgabe 1 liefert $M = \tfrac{12}{7}H_0$. Setzen Sie $M_{\mathrm{sat}} \approx 1{,}7\times10^6\ \mathrm{A/m}$. (a) Bei welchem $H_0$ erreicht das Modell die Sättigung, und welches $B_0$ gehört dazu? (b) Alternativ: Bei welchem $H_0$ erreicht $B_{\mathrm{in}}$ die Sättigungsinduktion des Eisens ($\approx 2{,}1\ \mathrm{T}$), und bei welchem Bruchteil von $M_{\mathrm{sat}}$ steht die Modellmagnetisierung dort? (c) Berechnen Sie die Sättigungsdeckelung der Kettenzugspannung $\mu_0 M_{\mathrm{sat}}^2/12$ und interpretieren Sie das für MAE-Experimente bis 1 T.
- Gestaffelt gegen monolithisch: Die Kopplungsschleife (magnetischer Operator, dann mechanischer Operator) sei kontrahierend mit Fehlerfaktor $a = 0{,}8$: $e_{k+1} = 0{,}8\,e_k$. (a) Wie viele Sweeps braucht die Schleife von $e_0 = 1$ auf $e < 10^{-6}$? (b) Die neuronale Initialisierung liefert $e_0 = 10^{-3}$: Wie viele Sweeps bleiben, wie viele werden gespart? (c) Monolithisches Newton konvergiere lokal quadratisch, $\|r_{k+1}\| = \|r_k\|^2$: Wie viele Iterationen braucht es von $r_0 = 10^{-3}$ auf $\|r\| < 10^{-8}$, und wie viele vom platten Start $r_0 = 1$ mit $\|r_{k+1}\| = 0{,}1\,\|r_k\|^2$? (d) Kostet ein direkter dünner Löser $\mathcal{O}(N^{1{,}5})$ mit $N = 2\times10^5$ Freiheitsgraden pro Teilproblem: Vergleichen Sie die Gesamtkosten $62\cdot 2\,N^{1{,}5}$ (gestaffelt) mit $4\cdot(2N)^{1{,}5}$ (monolithisch).
- Amortisation der Datenfreiheit: Eine Parameterstudie über 10.000 Mikrostruktur-Drafts kostet je FE-Lösung 30 s (12 Newton-Iterationen plus Assemblierung); die Operator-Inferenz dauert 20 ms pro Draft. (a) Wie lange laufen Studie mit FE bzw. mit Operator, und wie groß ist der Speedup? (b) Das gestaffelte Training (inklusive Residuenauswertungen) dauere 4 h: Bei welcher Anzahl von Parameterauswertungen hat sich der Operator amortisiert? (c) Begründen Sie, warum die Amortisationsrechnung – nicht die Einzelgenauigkeit – das eigentliche Verkaufsargument datenfreier Operatoren für Parameterstudien ist.
Bei Schwierigkeiten: Zu Aufgabe 1(a): $H_{\mathrm{in}} = \tfrac{3}{5+2}\times 200\ \mathrm{kA/m} = 85{,}7\ \mathrm{kA/m}$; $B_{\mathrm{in}} = \mu_0\cdot 5\cdot 85{,}7\times10^3 = 0{,}539\ \mathrm{T}$; $B_0 = \mu_0\cdot 2\times10^5 = 0{,}251\ \mathrm{T}$. Zu 1(b): $M = 4{,}286\times10^5 - 8{,}571\times10^4 = 3{,}43\times10^5\ \mathrm{A/m}$ – das $\mathbf{H}$-Feld im Partikel wird durch das Entmagnetisierungsfeld geschwächt (es stellt sicher, dass $\nabla\times\mathbf{H} = 0$ auch im Inneren erfüllt bleibt), während die Normalkomponente von $\mathbf{B}$ stetig sein muss ($\nabla\cdot\mathbf{B} = 0$) und sich am Partikelpol sogar konzentriert; $H$ und $B$ folgen verschiedenen Grenzbedingungen – das ist der Sattelpunkt-Charakter, den die Schwachform sauber trennt. Zu Aufgabe 2: $B = \frac{2000\,\mu_0}{L_1 + L_2/5} = \frac{2000\times 1{,}2566\times10^{-6}}{0{,}005+0{,}001} = 0{,}419\ \mathrm{T}$. $H_1 = B/\mu_0 = 3{,}33\times10^5\ \mathrm{A/m}$, $H_2 = 6{,}67\times10^4\ \mathrm{A/m}$; Probe: $3{,}33\times10^5\cdot 0{,}005 + 6{,}67\times10^4\cdot 0{,}005 = 1667 + 333 = 2000\ \mathrm{A}$ ✓. Die gute Matrix „verbraucht" magnetische Spannung, die partikelreiche kaum – dieselbe Rollenverteilung wie beim Spannungsteiler der Elektrostatik, nur mit $\mu$ statt $\varepsilon$. Zu Aufgabe 3(a): $F = \frac{3\mu_0 M^2 (16/9)\pi^2 a^6}{4\pi\cdot 16 a^4} = \frac{\pi}{12}\mu_0 M^2 a^2$; Division durch $\pi a^2$ ergibt $\sigma_{\mathrm{mag}} = \mu_0 M^2/12$. Zu 3(b): $\sigma_{\mathrm{mag}} = 1{,}2566\times10^{-6}\cdot(3{,}429\times10^5)^2/12 = 1{,}477\times10^5/12 = 12{,}3\ \mathrm{kPa}$. Zu 3(c): $\Delta G/G_0 = 12{,}3/30 = 0{,}41$, also $G \approx 42{,}3\ \mathrm{kPa}$ – mit Kettenbildung (Senkung des Entmagnetisierungsfaktors) wächst $M$ und damit der Effekt überproportional, das ist der praktische Unterschied zwischen isotroper und feldvorgestrukturierter MAE. Zu 3(d): $B_{\mathrm{in}}^2/(2\mu_0) = 0{,}290/(2{,}513\times10^{-6}) = 115\ \mathrm{kPa}$ – die Maxwell-Energiedichte am Pol ist die obere Skala; die Kettenspannung liegt mit 12,3 kPa darunter, weil nur der Dipol-Dipol-Anteil ohne Vielfachkörper-Effekte zählt. Zu Aufgabe 4(a): $M = M_{\mathrm{sat}}$ bei $H_0 = \tfrac{7}{12}M_{\mathrm{sat}} = 9{,}92\times10^5\ \mathrm{A/m} \approx 0{,}99\ \mathrm{MA/m}$, zugehörig $B_0 = \mu_0 H_0 = 1{,}25\ \mathrm{T}$. Zu 4(b): $B_{\mathrm{in}} = \tfrac{15}{7}\mu_0 H_0 = 2{,}1\ \mathrm{T}$ bei $H_0 = \frac{2{,}1\cdot 7}{15\,\mu_0} = 7{,}80\times10^5\ \mathrm{A/m}$ ($B_0 = 0{,}98\ \mathrm{T}$); dort steht das Linearmodell bei $M = \tfrac{12}{7}H_0 = 1{,}34\times10^6\ \mathrm{A/m}$, also 78,6 % der Sättigung – beide Kriterien zeigen: ab rund 1 T angelegter Induktion kippt die Linearitätsannahme. Zu 4(c): $\mu_0 M_{\mathrm{sat}}^2/12 = 1{,}2566\times10^{-6}\cdot 2{,}89\times10^{12}/12 = 3{,}0\times10^5\ \mathrm{Pa} \approx 0{,}3\ \mathrm{MPa}$ – die Feldempfindlichkeit des Materials sättigt, weitere Feldsteigerung bringt nur noch logarithmische Erträge; praktische MAE-Systeme arbeiten deshalb selten oberhalb 1 T. Zu Aufgabe 5(a): $0{,}8^n = 10^{-6}$ ⇒ $n = \frac{6\ln 10}{\ln 1{,}25} = \frac{13{,}82}{0{,}2231} = 61{,}9$, also 62 Sweeps. Zu 5(b): $n = \frac{3\ln 10}{0{,}2231} = 30{,}96$, also 31 Sweeps – Ersparnis 31 Sweeps; jede Dekade an Startgenauigkeit kauft $\ln 10/\ln(1/0{,}8) \approx 11{,}4$ Sweeps zurück: linearer Grad, linearer Nutzen. Zu 5(c): Mit $r_0 = 10^{-3}$ und C = 1: $10^{-3}\rightarrow 10^{-6}\rightarrow 10^{-12}$, also 2 Iterationen (nach der ersten ist $10^{-6} < 10^{-8}$ noch nicht, nach der zweiten ja). Vom platten Start $r_0 = 1$: $0{,}1\rightarrow 10^{-3}\rightarrow 10^{-7}\rightarrow 10^{-15}$, also 4 Iterationen. Zu 5(d): $N^{1{,}5} = (2\times10^5)^{1{,}5} = 8{,}94\times10^7$; gestaffelt $62\cdot 2\cdot 8{,}94\times10^7 = 1{,}11\times10^{10}$, monolithisch $4\cdot(4\times10^5)^{1{,}5} = 4\cdot 2{,}53\times10^8 = 1{,}01\times10^9$ – der monolithische Löser ist trotz höherer Einzelkosten etwa zehnmal billiger für diese eine Lösung; die Staffelung lohnt dort, wo Teilprobleme strukturiert sind (vortrainierbare Operatoren) oder Kopplungsblöcke getrennt verfügbar sind – und genau diese Trennung ist die Trainingsarchitektur des WSNO. Zu Aufgabe 6(a): FE: $10^4\cdot 30\ \mathrm{s} = 3\times10^5\ \mathrm{s} = 83{,}3\ \mathrm{h}$; Operator: $10^4\cdot 0{,}02\ \mathrm{s} = 200\ \mathrm{s}$; Speedup $1500\times$. Zu 6(b): $30\,n = 14\,400 + 0{,}02\,n$ ⇒ $n = \frac{14\,400}{29{,}98} \approx 480$, also ab rund 481 Auswertungen läuft der Operator auf Gewinn – die Schwelle liegt weit unter einer typischen Parameterstudie, weshalb sich „datenfrei" trotz Trainingskosten rechnet. Zu 6(c): Der Operator reproduziert keine einzelne Lösung, sondern eine Familie; sein Wert ist die Grenzkosten-Null für jede weitere Abfrage im Parameterraum. Ein FE-Löser verkauft Genauigkeit pro Sekunde, ein gelernter Operator verkauft Genauigkeit pro Millisekunde nach einmaliger Investition – für Optimierungs- und Unsicherheitsschleifen über Tausende von Drafts ist das der Unterschied zwischen „unmöglich" und „über Nacht".
Entitäten: magneto-aktive-elastomere | stoff weak-form-staggered-neural-operator | methode finite-elemente-methode | methode neuronale operatoren | konzept finite operator learning | konzept gestaffelte optimierung | methode newton-verfahren | methode magnetostatik | konzept randwertproblem | konzept entmagnetisierungsfaktor | konzept maxwell-spannung | konzept reluktanz | konzept karbonylseisen | stoff schubmodul | konzept sattelpunktproblem | konzept schwachform | konzept
📄 Quelle
📄 Original-Publikation 📄 Original-Publikation
🧪 Verwandte Rechner
Mit diesen interaktiven Werkzeugen können Sie das Thema vertiefen:
🔬 druck-flaechen-rechner → 🔬 einheitenumrechner → 🔬 perioden-system-der-elemente →