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 2024	140	Ministerialna lista czasopism punktowanych 2024

Punkty Ministerialne - lata ubiegłe
Rok	Punkty	Lista
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 430 razy