تفاوت تاریخ بروزرسانی در صورت داشتن اشتراک

نمایه آخرین بروز رسانی
Scopus فوریه ۲۰۲۲
ISI مارس ۲۰۲۳
SCImago ژانویه ۲۰۲۰
ISI Open Access Journals دسامبر ۲۰۲۴
لیست سیاه وزارت علوم فروردین ۱۴۰۲
لیست سیاه وزارت بهداشت فروردین ۱۴۰۲
لیست سیاه دانشگاه آزاد بهمن ۱۳۹۹
مجلات دارای زمان داوری ژانویه ۲۰۲۲
مجلات درجه بندی شده از نظر سختی پذیرش ژانویه ۲۰۲۲
فراخوانهای مقاله فوریه ۲۰۲۴
نمایه آخرین بروز رسانی
Scopus ژانویه ۲۰۲۴
ISI نوامبر ۲۰۲۴
SCImago می ۲۰۲۴
ISI Open Access Journals دسامبر ۲۰۲۴
لیست سیاه وزارت علوم آذر ۱۴۰۳
لیست سیاه وزارت بهداشت فروردین ۱۴۰۳
لیست سیاه دانشگاه آزاد آذر ۱۴۰۱
مجلات دارای زمان داوری ژانویه ۲۰۲۴
مجلات درجه بندی شده از نظر سختی پذیرش ژانویه ۲۰۲۴
فراخوانهای مقاله فوریه ۲۰۲۴

Npj Computational Materials


انگلستان
کشور
۱۲٫۲۴۱
Impact Factor
2057-3960
ISSN
2057-3960
e-ISSN
2015 تا کنون
مدت فعالیت
Springer Nature
ناشر
www.nature.com
سایت مجله

ISI

آخرین بروز رسانی مارس ۲۰۲۳
این مجله در فهرست مجلات ISI وجود دارد و در نمایه استنادی SCIE ثبت شده است علاوه بر آن این مجله در پایگاه داده Current Contents (موضوع مقالات اخیر) مجلات ISI در دسته بندی Physical, Chemical & Earth Sciences نیز ثبت شده است یکی دیگر از پایگاه داده های مهم مجلات ISI، پایگاه داده ESI (لبه فناوری) است که این مجله در این پایگاه داده نیز ثبت شده است این مجله در لیست سالانه JCR ذکر شده است. بر اساس تقسیم بندی این بنیاد مقالات چاپ شده در این مجله در رشته های تخصصی زیر قرار دارند:

اهداف مجله

npj Computational Materials مقالات تحقیقاتی با کیفیتی را منتشر می‌کند که از رویکردهای محاسباتی برای طراحی مواد جدید و برای افزایش درک ما از مواد موجود استفاده می‌کند. تکنیک‌های محاسباتی جدید - و اصلاح رویکردهای فعلی - که این اهداف را تسهیل می‌کنند نیز مورد استقبال قرار می‌گیرند، همانطور که مقالات تجربی تکمیل کننده یافته‌های محاسباتی هستند.

محدوده نشریه نمایندگی شامل:

بکارگیری و توسعه رویکردهای نظری و شبیه سازی موجود و در حال ظهور برای مطالعه مواد به طور کلی (آلی و معدنی).
پیش‌بینی ساختار و ویژگی مواد جدید، مانند پارادایم «مواد بر اساس طراحی».
درک جدید قابل توجهی از اصول، رفتار و خواص مواد.
کارهای تجربی یکپارچه/مکمل که به اعتبار، پشتیبانی و گسترش یافته های محاسباتی کمک می کند.
تکنیک‌های پرتوان – هم محاسباتی و هم تجربی – برای تولید مجموعه داده‌های بزرگ و داده‌کاوی مواد.


برای فرستادن دیدگاه باید وارد شوید