AIAA JOURNAL - Czasopismo - MOST Wiedzy

AIAA JOURNAL

ISSN:

0001-1452

eISSN:

1533-385X

Dyscypliny:

automatyka, elektronika, elektrotechnika i technologie kosmiczne (Dziedzina nauk inżynieryjno-technicznych)
inżynieria mechaniczna (Dziedzina nauk inżynieryjno-technicznych)
inżynieria środowiska, górnictwo i energetyka (Dziedzina nauk inżynieryjno-technicznych)

Punkty Ministerialne: Pomoc

Punkty Ministerialne - aktualny rok
Rok	Punkty	Lista
Rok 2025	140	Ministerialna lista czasopism punktowanych 2024

Punkty Ministerialne - lata ubiegłe
Rok	Punkty	Lista
2025	140	Ministerialna lista czasopism punktowanych 2024
2024	140	Ministerialna lista czasopism punktowanych 2024
2023	140	Lista ministerialna czasopism punktowanych 2023
2022	140	Lista ministerialna czasopism punktowanych (2019-2022)
2021	140	Lista ministerialna czasopism punktowanych (2019-2022)
2020	140	Lista ministerialna czasopism punktowanych (2019-2022)
2019	140	Lista ministerialna czasopism punktowanych (2019-2022)
2018	40	A
2017	40	A
2016	40	A
2015	40	A
2014	40	A
2013	35	A
2012	35	A
2011	35	A
2010	32	A

Model czasopisma:

Hybrydowe

Punkty CiteScore:

Punkty CiteScore - aktualny rok
Rok	Punkty
Rok 2023	5.6

Punkty CiteScore - lata ubiegłe
Rok	Punkty
2023	5.6
2022	5.8
2021	5.5
2020	5
2019	4.3
2018	4.2
2017	3.9
2016	4.2
2015	3.9
2014	4
2013	4.1
2012	3
2011	3.2

Impact Factor:

Zaloguj się aby zobaczyć Współczynnik Impact Factor dla tego czasopisma

Sherpa Romeo:

https://v2.sherpa.ac.uk/id/publication/9876

Prace opublikowane w tym czasopiśmie

wyników na stronę:
rok:
- zaznaczony Sortuj po rok od najnowszych
- Sortuj po rok od najstarszych
tytuł:
- zaznaczony Sortuj po tytuł A-Z
- Sortuj po tytuł Z-A
cytowania:
- Sortuj po cytowania malejąco
- Sortuj po cytowania rosnąco

Filtry

wszystkich: 1

Rok 2016

Multiobjective Aerodynamic Optimization by Variable-Fidelity Models and Response Surface Surrogates
Publikacja
- L. Leifsson
- S. Kozieł
- Y. Tesfahunegn
- AIAA JOURNAL - Rok 2016
A computationally efficient procedure for multiobjective design optimization with variable-fidelity models and response surface surrogates is presented. The proposed approach uses the multiobjective evolutionary algorithm that works with a fast surrogate model, obtained with kriging interpolation of the low-fidelity model data enhanced by space-mapping correction exploiting a few high-fidelity training points. The initial Pareto...

Pełny tekst do pobrania w serwisie zewnętrznym

wyświetlono 545 razy