Physical Review Fluids-影响因子2.5-首页

杂志简介中科院分区 JCR分区 CiteScore 发文统计通讯方式相关杂志期刊导航

Physical Review Fluids 杂志简介

《Physical Review Fluids》重点专注发布Chemical Engineering-Fluid Flow and Transfer Processes领域的新研究，旨在促进和传播该领域相关的新技术和新知识。鼓励该领域研究者详细地发表他们的高质量实验研究和理论结果。该杂志创刊至今，在Chemical Engineering-Fluid Flow and Transfer Processes领域，有较高影响力，对来稿文章质量要求较高，稿件投稿过审难度较大。欢迎广大同领域研究者投稿该杂志。

Physical Review Fluids 杂志中科院分区

中科院SCI分区数据

中科院SCI期刊分区（2023年12月升级版）

大类学科	分区	小类学科	分区	Top期刊	综述期刊
物理与天体物理	3区	PHYSICS, FLUIDS & PLASMAS 物理：流体与等离子体	2区	否	否

中科院SCI期刊分区（2022年12月升级版）

大类学科	分区	小类学科	分区	Top期刊	综述期刊
物理与天体物理	3区	PHYSICS, FLUIDS & PLASMAS 物理：流体与等离子体	3区	否	否

中科院SCI期刊分区（2021年12月旧的升级版）

大类学科	分区	小类学科	分区	Top期刊	综述期刊
物理与天体物理	2区	PHYSICS, FLUIDS & PLASMAS 物理：流体与等离子体	2区	否	否

中科院SCI期刊分区（2021年12月基础版）

大类学科	分区	小类学科	分区	Top期刊	综述期刊
物理	3区	PHYSICS, FLUIDS & PLASMAS 物理：流体与等离子体	3区	否	否

中科院SCI期刊分区（2021年12月升级版）

大类学科	分区	小类学科	分区	Top期刊	综述期刊
物理与天体物理	2区	PHYSICS, FLUIDS & PLASMAS 物理：流体与等离子体	2区	否	否

中科院SCI期刊分区（2020年12月旧的升级版）

大类学科	分区	小类学科	分区	Top期刊	综述期刊
物理与天体物理	2区	PHYSICS, FLUIDS & PLASMAS 物理：流体与等离子体	2区	否	否

中科院分区趋势图

影响因子趋势图

中科院JCR分区：中科院JCR期刊分区（又称分区表、分区数据）是中国科学院文献情报中心世界科学前沿分析中心的科学研究成果，是衡量学术期刊影响力的一个重要指标，一般而言，发表在1区和2区的SCI论文，通常被认为是该学科领域的比较重要的成果。

影响因子：是汤森路透(Thomson Reuters)出品的期刊引证报告(Journal Citation Reports,JCR)中的一项数据，现已成为国际上通用的期刊评价指标，不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。

Physical Review Fluids 杂志JCR分区

Web of Science 数据库（2023-2024年最新版）

按JIF指标学科分区	收录子集	分区	排名	百分位
学科：PHYSICS, FLUIDS & PLASMAS	SCIE	Q2	14 / 40	66.3%

按JCI指标学科分区	收录子集	分区	排名	百分位
学科：PHYSICS, FLUIDS & PLASMAS	SCIE	Q1	8 / 40	81.25%

Physical Review Fluids CiteScore 评价数据（2024年最新版）

CiteScore：5.1
SJR：1.066
SNIP：1.057

CiteScore 排名

学科类别	分区	排名	百分位
大类：Mathematics 小类：Modeling and Simulation	Q1	71 / 324	78%
大类：Mathematics 小类：Computational Mechanics	Q1	22 / 89	75%
大类：Mathematics 小类：Fluid Flow and Transfer Processes	Q2	30 / 96	69%

CiteScore趋势图

年发文量趋势图

CiteScore：是由Elsevier2016年发布的一个评价学术期刊质量的指标，该指标是指期刊发表的单篇文章平均被引用次数。CiteScore和影响因子的作用是一样的，都是可以体现期刊质量的重要指标，给选刊的作者了解期刊水平提供帮助。

Physical Review Fluids 杂志发文统计

文章名称引用次数
Predictions of turbulent shear flows using deep neural networks22
Perspective on machine learning for advancing fluid mechanics21
Physics-informed machine learning approach for augmenting turbulence models: A comprehensive framework21
Geometric state function for two-fluid flow in porous media17
Bubble puzzles: From fundamentals to applications16
Three-dimensional simulations of void collapse in energetic materials16
Disorder characterization of porous media and its effect on fluid displacement15
Synthetic turbulent inflow generator using machine learning15
Numerical evidence of logarithmic regions in channel flow at Re-tau=800015
Turbulent thermal superstructures in Rayleigh-Benard convection14
国家/地区发文量
USA692
France309
England192
CHINA MAINLAND139
GERMANY (FED REP GER)136
Japan91
Canada80
Australia68
Italy67
India66
机构发文发文量
CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE (CNRS)267
UNIVERSITY OF CALIFORNIA SYSTEM71
SORBONNE UNIVERSITE63
MASSACHUSETTS INSTITUTE OF TECHNOLOGY (MIT)59
PSL RESEARCH UNIVERSITY PARIS (COMUE)56
UNIVERSITE PARIS SACLAY50
INDIAN INSTITUTE OF TECHNOLOGY SYSTEM (IIT SYSTEM)47
STANFORD UNIVERSITY47
UNIVERSITE DE PARIS47
ROYAL INSTITUTE OF TECHNOLOGY43