推薦合適期刊 投稿指導(dǎo) 助力快速見刊免費咨詢
Computational Materials Science是材料科學(xué)領(lǐng)域的一本優(yōu)秀期刊。由Elsevier出版社出版。該期刊主要發(fā)表材料科學(xué)領(lǐng)域的原創(chuàng)性研究成果。創(chuàng)刊于1992年,該期刊主要刊載工程技術(shù)-材料科學(xué):綜合及其基礎(chǔ)研究的前瞻性、原始性、首創(chuàng)性研究成果、科技成就和進(jìn)展。該期刊不僅收錄了該領(lǐng)域的科技成就和進(jìn)展,更以其深厚的學(xué)術(shù)積淀和卓越的審稿標(biāo)準(zhǔn),確保每篇文章都具備高度的學(xué)術(shù)價值。此外,該刊同時被SCIE數(shù)據(jù)庫收錄,并被劃分為中科院SCI3區(qū)期刊,它始終堅持創(chuàng)新,不斷專注于發(fā)布高度有價值的研究成果,不斷推動材料科學(xué)領(lǐng)域的進(jìn)步。
同時,我們注重來稿文章表述的清晰度,以及其與我們的讀者群體和研究領(lǐng)域的相關(guān)性。為此,我們期待所有投稿的文章能夠保持簡潔明了、組織有序、表述清晰。該期刊平均審稿速度為平均 約1.8個月 約4.4周。若您對于稿件是否適合該期刊存在疑慮,建議您在提交前主動與期刊主編取得聯(lián)系,或咨詢本站的客服老師。我們的客服老師將根據(jù)您的研究內(nèi)容和方向,為您推薦最為合適的期刊,助力您順利投稿,實現(xiàn)學(xué)術(shù)成果的順利發(fā)表。
大類學(xué)科 | 分區(qū) | 小類學(xué)科 | 分區(qū) | Top期刊 | 綜述期刊 |
材料科學(xué) | 3區(qū) | MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科學(xué):綜合 | 3區(qū) | 否 | 否 |
大類學(xué)科 | 分區(qū) | 小類學(xué)科 | 分區(qū) | Top期刊 | 綜述期刊 |
材料科學(xué) | 3區(qū) | MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科學(xué):綜合 | 3區(qū) | 否 | 否 |
大類學(xué)科 | 分區(qū) | 小類學(xué)科 | 分區(qū) | Top期刊 | 綜述期刊 |
材料科學(xué) | 3區(qū) | MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科學(xué):綜合 | 3區(qū) | 否 | 否 |
大類學(xué)科 | 分區(qū) | 小類學(xué)科 | 分區(qū) | Top期刊 | 綜述期刊 |
工程技術(shù) | 3區(qū) | MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科學(xué):綜合 | 4區(qū) | 否 | 否 |
大類學(xué)科 | 分區(qū) | 小類學(xué)科 | 分區(qū) | Top期刊 | 綜述期刊 |
材料科學(xué) | 3區(qū) | MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科學(xué):綜合 | 3區(qū) | 否 | 否 |
大類學(xué)科 | 分區(qū) | 小類學(xué)科 | 分區(qū) | Top期刊 | 綜述期刊 |
材料科學(xué) | 3區(qū) | MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科學(xué):綜合 | 3區(qū) | 否 | 否 |
按JIF指標(biāo)學(xué)科分區(qū) | 收錄子集 | 分區(qū) | 排名 | 百分位 |
學(xué)科:MATERIALS SCIENCE, MULTIDISCIPLINARY | SCIE | Q2 | 208 / 438 |
52.6% |
按JCI指標(biāo)學(xué)科分區(qū) | 收錄子集 | 分區(qū) | 排名 | 百分位 |
學(xué)科:MATERIALS SCIENCE, MULTIDISCIPLINARY | SCIE | Q2 | 201 / 438 |
54.22% |
學(xué)科類別 | 分區(qū) | 排名 | 百分位 |
大類:Mathematics 小類:Computational Mathematics | Q1 | 23 / 189 |
88% |
大類:Mathematics 小類:General Physics and Astronomy | Q1 | 46 / 243 |
81% |
大類:Mathematics 小類:General Computer Science | Q1 | 46 / 232 |
80% |
大類:Mathematics 小類:Mechanics of Materials | Q1 | 87 / 398 |
78% |
大類:Mathematics 小類:General Chemistry | Q2 | 103 / 408 |
74% |
大類:Mathematics 小類:General Materials Science | Q2 | 127 / 463 |
72% |
年份 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 |
年發(fā)文量 | 757 | 596 | 571 | 554 | 736 | 606 | 629 | 882 | 596 | 611 |
國家/地區(qū) | 數(shù)量 |
CHINA MAINLAND | 853 |
USA | 449 |
GERMANY (FED REP GER) | 125 |
India | 95 |
France | 84 |
Japan | 78 |
Iran | 73 |
England | 70 |
Russia | 70 |
Australia | 48 |
機構(gòu) | 數(shù)量 |
CHINESE ACADEMY OF SCIENCES | 110 |
UNITED STATES DEPARTMENT OF ENERGY (DOE) | 87 |
CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE (CNRS) | 52 |
INDIAN INSTITUTE OF TECHNOLOGY SYSTEM (IIT SYSTEM) | 48 |
TSINGHUA UNIVERSITY | 34 |
UNIVERSITY OF SCIENCE & TECHNOLOGY BEIJING | 34 |
XI'AN JIAOTONG UNIVERSITY | 33 |
DALIAN UNIVERSITY OF TECHNOLOGY | 31 |
NORTHWESTERN POLYTECHNICAL UNIVERSITY | 30 |
RUSSIAN ACADEMY OF SCIENCES | 30 |
文章名稱 | 引用次數(shù) |
Matminer: An open source toolkit for materials data mining | 69 |
DAMASK - The Dusseldorf Advanced Material Simulation Kit for modeling multi-physics crystal plasticity, thermal, and damage phenomena from the single crystal up to the component scale | 53 |
Accelerating high-throughput searches for new alloys with active learning of interatomic potentials | 42 |
Deep learning approaches for mining structure-property linkages in high contrast composites from simulation datasets | 32 |
Three-dimensional modeling of the microstructure evolution during metal additive manufacturing | 29 |
Electronic and magnetic properties of single-layer boron phosphide associated with materials processing defects | 25 |
Heat and fluid flow in additive manufacturing-Part I: Modeling of powder bed fusion | 24 |
Predicting the thermodynamic stability of perovskite oxides using machine learning models | 23 |
A data-driven statistical model for predicting the critical temperature of a superconductor | 23 |
Improving direct physical properties prediction of heterogeneous materials from imaging data via convolutional neural network and a morphology-aware generative model | 21 |
SCIE
CiteScore 2
SCIE
影響因子 15.3
CiteScore 21.9
SCIE
CiteScore 0.1
SCIE
CiteScore 10.3
SCIE
影響因子 0.8
CiteScore 1.3
SCIE
影響因子 14.8
CiteScore 13.8
SCIE
SCIE
影響因子 0.6
CiteScore 1.4
SCIE
影響因子 1.7
SCIE
影響因子 12.6
CiteScore 17.8
若用戶需要出版服務(wù),請聯(lián)系出版商:ELSEVIER SCIENCE BV, PO BOX 211, AMSTERDAM, NETHERLANDS, 1000 AE。