Computational Materials Science
人气:5

Computational Materials Science SCIE

  • ISSN:0927-0256
  • 出版商:Elsevier
  • 出版语言:English
  • E-ISSN:1879-0801
  • 出版地区:NETHERLANDS
  • 是否预警:
  • 创刊时间:1992
  • 出版周期:Monthly
  • TOP期刊:
  • 影响因子:3.1
  • 是否OA:未开放
  • CiteScore:6.5
  • H-index:97
  • 研究类文章占比:99.18%
  • Gold OA文章占比:20.28%
  • 文章自引率:0.0606...
  • 开源占比:0.0588
  • OA被引用占比:0.0287...
  • 出版国人文章占比:0.34
  • 国际标准简称:COMP MATER SCI
  • 涉及的研究方向:工程技术-材料科学:综合
  • 中文名称:计算材料科学
  • 预计审稿周期: 约1.8个月 约4.4周
国内分区信息:

大类学科:材料科学  中科院分区  3区

国际分区信息:

JCR学科:MATERIALS SCIENCE, MULTIDISCIPLINARY  JCR分区  Q2

  • 影响因子:3.1
  • Gold OA文章占比:20.28%
  • OA被引用占比:0.0287...
  • CiteScore:6.5
  • 研究类文章占比:99.18%
  • 开源占比:0.0588
  • 文章自引率:0.0606...
  • 出版国人文章占比:0.34

推荐合适期刊 投稿指导 助力快速见刊

Computational Materials Science 期刊简介

Computational Materials Science是材料科学领域的一本优秀期刊。由Elsevier出版社出版。该期刊主要发表材料科学领域的原创性研究成果。创刊于1992年,该期刊主要刊载工程技术-材料科学:综合及其基础研究的前瞻性、原始性、首创性研究成果、科技成就和进展。该期刊不仅收录了该领域的科技成就和进展,更以其深厚的学术积淀和卓越的审稿标准,确保每篇文章都具备高度的学术价值。此外,该刊同时被SCIE数据库收录,并被划分为中科院SCI3区期刊,它始终坚持创新,不断专注于发布高度有价值的研究成果,不断推动材料科学领域的进步。

同时,我们注重来稿文章表述的清晰度,以及其与我们的读者群体和研究领域的相关性。为此,我们期待所有投稿的文章能够保持简洁明了、组织有序、表述清晰。该期刊平均审稿速度为平均 约1.8个月 约4.4周。若您对于稿件是否适合该期刊存在疑虑,建议您在提交前主动与期刊主编取得联系,或咨询本站的客服老师。我们的客服老师将根据您的研究内容和方向,为您推荐最为合适的期刊,助力您顺利投稿,实现学术成果的顺利发表。

Computational Materials Science 期刊国内分区信息

中科院分区 2023年12月升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
材料科学 3区 MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科学:综合 3区
中科院分区 2022年12月升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
材料科学 3区 MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科学:综合 3区
中科院分区 2021年12月旧的升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
材料科学 3区 MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科学:综合 3区
中科院分区 2021年12月基础版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
工程技术 3区 MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科学:综合 4区
中科院分区 2021年12月升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
材料科学 3区 MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科学:综合 3区
中科院分区 2020年12月旧的升级版
大类学科 分区 小类学科 分区 Top期刊 综述期刊
材料科学 3区 MATERIALS SCIENCE, MULTIDISCIPLINARY 材料科学:综合 3区

Computational Materials Science 期刊国际分区信息(2023-2024年最新版)

按JIF指标学科分区 收录子集 分区 排名 百分位
学科:MATERIALS SCIENCE, MULTIDISCIPLINARY SCIE Q2 208 / 438

52.6%

按JCI指标学科分区 收录子集 分区 排名 百分位
学科:MATERIALS SCIENCE, MULTIDISCIPLINARY SCIE Q2 201 / 438

54.22%

CiteScore指数(2024年最新版)

  • CiteScore:6.5
  • SJR:0.741
  • SNIP:0.961
学科类别 分区 排名 百分位
大类:Mathematics 小类:Computational Mathematics Q1 23 / 189

88%

大类:Mathematics 小类:General Physics and Astronomy Q1 46 / 243

81%

大类:Mathematics 小类:General Computer Science Q1 46 / 232

80%

大类:Mathematics 小类:Mechanics of Materials Q1 87 / 398

78%

大类:Mathematics 小类:General Chemistry Q2 103 / 408

74%

大类:Mathematics 小类:General Materials Science Q2 127 / 463

72%

期刊评价数据趋势图

中科院分区趋势图
期刊影响因子和自引率趋势图

发文统计

年发文量统计
年份 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
年发文量 757 596 571 554 736 606 629 882 596 611
国家/地区发文量统计
国家/地区 数量
CHINA MAINLAND 853
USA 449
GERMANY (FED REP GER) 125
India 95
France 84
Japan 78
Iran 73
England 70
Russia 70
Australia 48
机构发文量统计
机构 数量
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

高引用文章

文章名称 引用次数
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

免责声明

若用户需要出版服务,请联系出版商:ELSEVIER SCIENCE BV, PO BOX 211, AMSTERDAM, NETHERLANDS, 1000 AE。

友情链接