Wyszukiwarka
ISSN:
1093-9687
eISSN:
1467-8667
Dyscypliny:
- architektura i urbanistyka (Dziedzina nauk inżynieryjno-technicznych)
- informatyka techniczna i telekomunikacja (Dziedzina nauk inżynieryjno-technicznych)
- inżynieria lądowa, geodezja i transport (Dziedzina nauk inżynieryjno-technicznych)
- inżynieria mechaniczna (Dziedzina nauk inżynieryjno-technicznych)
- inżynieria środowiska, górnictwo i energetyka (Dziedzina nauk inżynieryjno-technicznych)
- ochrona dziedzictwa i konserwacja zabytków (Dziedzina nauk inżynieryjno-technicznych)
- informatyka (Dziedzina nauk ścisłych i przyrodniczych)
Punkty Ministerialne: Pomoc
| Rok | Punkty | Lista |
|---|---|---|
| Rok 2024 | 140 | Ministerialna lista czasopism punktowanych 2024 |
| 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 | 45 | A |
| 2017 | 45 | A |
| 2016 | 45 | A |
| 2015 | 45 | A |
| 2014 | 45 | A |
| 2013 | 45 | A |
| 2012 | 45 | A |
| 2011 | 45 | A |
| 2010 | 32 | A |
Model czasopisma:
Hybrydowe
Punkty CiteScore:
| Rok | Punkty |
|---|---|
| Rok 2022 | 16.9 |
| Rok | Punkty |
|---|---|
| 2022 | 16.9 |
| 2021 | 17.2 |
| 2020 | 17.1 |
| 2019 | 12 |
| 2018 | 10 |
| 2017 | 9.5 |
| 2016 | 8.8 |
| 2015 | 8.4 |
| 2014 | 8.4 |
| 2013 | 7.7 |
| 2012 | 6.1 |
| 2011 | 5.2 |
Impact Factor:
Zaloguj się aby zobaczyć Współczynnik Impact Factor dla tego czasopisma
Sherpa Romeo:
Prace opublikowane w tym czasopiśmie
Filtry
wszystkich: 2
Katalog Czasopism
Rok 2024
-
Chained machine learning model for predicting load capacity and ductility of steel fiber–reinforced concrete beams
PublikacjaOne of the main issues associated with steel fiber–reinforced concrete (SFRC) beams is the ability to anticipate their flexural response. With a comprehensive grid search, several stacked models (i.e., chained, parallel) consisting of various machine learning (ML) algorithms and artificial neural networks (ANNs) were developed to predict the flexural response of SFRC beams. The flexural performance of SFRC beams under bending was...
Rok 2017
wyświetlono 161 razy