Journal Of Computational Physics杂志是一本国际优秀期刊，是一本未开放获取期刊。该杂志近三年影响因子分别为：2023年3.8、2022年4.1、2021年4.645。该杂志近三年CiteScore评价分区分别为：2023年7.6区、2022年7.9区、2021年7.1区。该刊专门致力于推进PHYSICS, MATHEMATICAL领域的研究，涵盖了PHYSICS, MATHEMATICAL领域的各个方面，汇集所有专家，促进PHYSICS, MATHEMATICAL领域的更好协作和信息共享。该期刊为PHYSICS, MATHEMATICAL领域的科研人员提供了一个高影响力的论坛，使该领域的科研人员、从业人员和学生能够接触到尖端的经验性调查分析、学术对话以及行业科研成果的最新发展。通过收录高质量的原创论文和评论论文，促进PHYSICS, MATHEMATICAL领域的应用与发展。该期刊还将该领域的创新与应用，以提高研究的质量和实用性。近年来在该刊上发文的国家和地区主要有：Wales（发文量5）、Vietnam（发文量6）、Venezuela（发文量2）、Ukraine（发文量3）、USA（发文量909）、UNITED ARAB EMIRATES（发文量5）。
Journal Of Computational Physics是一本由Academic Press Inc.出版社发行的知名PHYSICS, MATHEMATICAL期刊。该杂志社联系方式ACADEMIC PRESS INC ELSEVIER SCIENCE, 525 B ST, STE 1900, SAN DIEGO, USA, CA, 92101-4495。审稿过程是确保期刊质量的关键环节。Journal Of Computational Physics杂志的审稿速度平均需要 约6.5个月 约17.2周。这一时间周期既体现了编辑部对稿件质量的严格把关，也反映了审稿专家对学术研究的尊重和支持。在这个过程中，作者们可以充分利用这段时间对自己的研究成果进行完善和优化，以提高论文的质量和影响力。如果您对该期刊感兴趣，并希望了解更多关于投稿流程、投稿要求和技巧的信息，您可以咨询本站的客服老师，我们将帮助您了解期刊的投稿要求、审稿流程以及可能遇到的问题，并根据您的具体情况提供相应的建议和解决方案。
| CiteScore | SJR | SNIP | CiteScore排名 | |||
|---|---|---|---|---|---|---|
| 7.6 | 1.679 | 1.678 | 学科类别 | 分区 | 排名 | 百分位 |
|
大类：大类：Mathematics
小类：小类：AppliedMathematics
|
Q1 | 35/635 | 94% | |||
|
大类：大类：Mathematics
小类：小类：NumericalAnalysis
|
Q1 | 6/88 | 93% | |||
|
大类：大类：Mathematics
小类：小类：ComputationalMathematics
|
Q1 | 15/189 | 92% | |||
|
大类：大类：Mathematics
小类：小类：ModelingandSimulation
|
Q1 | 27/324 | 91% | |||
|
大类：大类：Mathematics
小类：小类：PhysicsandAstronomy(miscellaneous)
|
Q1 | 8/81 | 90% | |||
|
大类：大类：Mathematics
小类：小类：GeneralPhysicsandAstronomy
|
Q1 | 36/243 | 85% | |||
|
大类：大类：Mathematics
小类：小类：ComputerScienceApplications
|
Q1 | 173/817 | 78% | |||
| 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% |
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
国家/地区
发文量
TUSA
909
TCHINA MAINLAND
422
TFrance
232
TGERMANY (FED REP GER)
178
TEngland
133
TItaly
90
TSpain
71
TCanada
65
TSwitzerland
48
TNetherlands
47
