推荐合适期刊 投稿指导 助力快速见刊免费咨询
Journal Of Computational Physics是物理与天体物理领域的一本权威期刊。由Academic Press Inc.出版社出版。该期刊主要发表物理与天体物理领域的原创性研究成果。创刊于1966年，是物理与天体物理领域中具有代表性的学术刊物。该期刊主要刊载物理-计算机：跨学科应用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SCI2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，不断推动物理与天体物理领域的进步。
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6.5个月 约17.2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。
| 大类学科 | 分区 | 小类学科 | 分区 | Top期刊 | 综述期刊 |
| 物理与天体物理 | 2区 | PHYSICS, MATHEMATICAL 物理：数学物理 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 | 1区 2区 | 是 | 否 |
| 大类学科 | 分区 | 小类学科 | 分区 | Top期刊 | 综述期刊 |
| 物理与天体物理 | 2区 | PHYSICS, MATHEMATICAL 物理：数学物理 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 | 1区 2区 | 否 | 否 |
| 大类学科 | 分区 | 小类学科 | 分区 | Top期刊 | 综述期刊 |
| 物理与天体物理 | 2区 | PHYSICS, MATHEMATICAL 物理：数学物理 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 | 1区 2区 | 是 | 否 |
| 大类学科 | 分区 | 小类学科 | 分区 | Top期刊 | 综述期刊 |
| 物理 | 3区 | COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 PHYSICS, MATHEMATICAL 物理：数学物理 | 3区 2区 | 否 | 否 |
| 大类学科 | 分区 | 小类学科 | 分区 | Top期刊 | 综述期刊 |
| 物理与天体物理 | 2区 | PHYSICS, MATHEMATICAL 物理：数学物理 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 | 1区 2区 | 是 | 否 |
| 大类学科 | 分区 | 小类学科 | 分区 | Top期刊 | 综述期刊 |
| 物理与天体物理 | 2区 | PHYSICS, MATHEMATICAL 物理：数学物理 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS 计算机：跨学科应用 | 1区 2区 | 是 | 否 |
| 按JIF指标学科分区 | 收录子集 | 分区 | 排名 | 百分位 |
| 学科：COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS | SCIE | Q2 | 51 / 169 |
70.1% |
| 学科：PHYSICS, MATHEMATICAL | SCIE | Q1 | 3 / 60 |
95.8% |
| 按JCI指标学科分区 | 收录子集 | 分区 | 排名 | 百分位 |
| 学科：COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS | SCIE | Q2 | 44 / 169 |
74.26% |
| 学科：PHYSICS, MATHEMATICAL | SCIE | Q1 | 8 / 60 |
87.5% |
| 学科类别 | 分区 | 排名 | 百分位 |
| 大类：Mathematics 小类：Applied Mathematics | Q1 | 35 / 635 |
94% |
| 大类：Mathematics 小类：Numerical Analysis | Q1 | 6 / 88 |
93% |
| 大类：Mathematics 小类：Computational Mathematics | Q1 | 15 / 189 |
92% |
| 大类：Mathematics 小类：Modeling and Simulation | Q1 | 27 / 324 |
91% |
| 大类：Mathematics 小类：Physics and Astronomy (miscellaneous) | Q1 | 8 / 81 |
90% |
| 大类：Mathematics 小类：General Physics and Astronomy | Q1 | 36 / 243 |
85% |
| 大类：Mathematics 小类：Computer Science Applications | Q1 | 173 / 817 |
78% |
| 年份 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 |
| 年发文量 | 676 | 696 | 718 | 718 | 647 | 667 | 658 | 751 | 803 | 667 |
| 国家/地区 | 数量 |
| USA | 909 |
| CHINA MAINLAND | 422 |
| France | 232 |
| GERMANY (FED REP GER) | 178 |
| England | 133 |
| Italy | 90 |
| Spain | 71 |
| Canada | 65 |
| Switzerland | 48 |
| Netherlands | 47 |
| 机构 | 数量 |
| UNITED STATES DEPARTMENT OF ENERGY (DOE) | 147 |
| CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE (CNRS) | 142 |
| CHINESE ACADEMY OF SCIENCES | 86 |
| UNIVERSITY OF CALIFORNIA SYSTEM | 86 |
| STANFORD UNIVERSITY | 62 |
| UNIVERSITY OF TEXAS SYSTEM | 42 |
| PURDUE UNIVERSITY SYSTEM | 39 |
| BROWN UNIVERSITY | 38 |
| TECHNICAL UNIVERSITY OF MUNICH | 38 |
| TEXAS A&M UNIVERSITY SYSTEM | 33 |
| 文章名称 | 引用次数 |
| Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations | 203 |
| Hidden physics models: Machine learning of nonlinear partial differential equations | 86 |
| The scalar auxiliary variable (SAV) approach for gradient flows | 85 |
| DGM: A deep learning algorithm for solving partial differential equations | 76 |
| Physics-constrained deep learning for high-dimensional surrogate modeling and uncertainty quantification without labeled data | 49 |
| Bayesian deep convolutional encoder-decoder networks for surrogate modeling and uncertainty quantification | 45 |
| A review of level-set methods and some recent applications | 43 |
| A review of definitions of fractional derivatives and other operators | 41 |
| A fast linearized conservative finite element method for the strongly coupled nonlinear fractional Schrodinger equations | 41 |
| Deep UQ: Learning deep neural network surrogate models for high dimensional uncertainty quantification | 36 |
SCIE
影响因子 4.2
CiteScore 1.5
SCIE
影响因子 0.9
CiteScore 1.6
SCIE
影响因子 1.8
CiteScore 3.1
SCIE
影响因子 2.7
CiteScore 6.9
SCIE
影响因子 0.5
CiteScore 1.4
SCIE
CiteScore 4
SCIE
影响因子 4.8
CiteScore 6.7
SCIE
CiteScore 2.8
SCIE
影响因子 0.7
CiteScore 1.4
SCIE
影响因子 1.3
CiteScore 2.7
若用户需要出版服务，请联系出版商：ACADEMIC PRESS INC ELSEVIER SCIENCE, 525 B ST, STE 1900, SAN DIEGO, USA, CA, 92101-4495。