Chemical engineering research synergies across scientific categories
Notice bibliographique
Résumé
Abstract Chemical engineers operate industrial plants, design reactors and equipment, manage capital projects, estimate costs, project earnings, and drive efficiency through innovation while maintaining rigorous safety standards. The undergraduate curriculum includes mathematics, physics, chemistry, mechanics, biology, and management, much of which is common with other engineering departments. However, chemical engineering research is more related to chemistry. Here, we show that chemical engineers cite journals in WoS’ chemical engineering category most, followed by physical chemistry, energy & fuels, multi‐disciplinary chemistry, environmental science, and multi‐disciplinary materials science. According to a bibliometric analysis, the major research poles include materials, biotechnology, catalysis, environment, and thermodynamics. The 5 top cited journals in 2012 were Ind. Eng. Chem. Res ., J. Membrane Sci ., Chem. Eng. Sci ., J. Hazard. Mater ., and J. Catal ., which are not the journals with the highest impact factors of the category. Can. J. Chem. Eng . was ranked third among the 32 classical chemical engineering journals after AIChE J . and Chem. Eng. Sci . and with respect to the ratio of the number of citations accrued until August 2017 to the number of articles they published in 2012. Chinese researchers have authored more articles than any other nation and they co‐author research most with the USA and other Pacific Rim nations. Research collaborations between nations follow linguistic, geographical, and historical traditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,013 | 0,056 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,000 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».