اولا زمینه های ریسرچ در رشته هایی مثل مهندسی عمران که سابقه و قدمت نسبتا زیادی دارند و تا حدودی به بلوغ نسبی در تئوری رسیده است بسیار مشکل شده است. تعریف یک نوآوری ارزشمند (Novelty) در شروع ریسرچ در این حوزه به سادگی 15 سال قبل نیست. اگر مقاله هایی که جزو مقالات top twenty حتی در ژورنالهای متوسط که در آخر هر سال معرفی می شوند را بررسی میکنید میبینید خصوصا در حوزه هایی مثل سازه، خاک یا آب مقالات از دوجنبه دارای نوآوری (هم در تئوری و هم در تست) هستند. یعنی اینکه اولا آزمایشاتی هوشمندانه با ویژگی منحصر بفرد برای موضوع طرح شده اند تا پارامتر مشخصی که قبلا تست نشده اند را بسنحد (یعنی آزمایش قبلا بر اساس هدف ارزشمندی مدلسازی و دقیقا طراحی شده باشد) ثانیا با استفاده از روشهای پیشرفته (روشهای عددی مبتنی بر الگوریتمهای فراابتکاری) یا تئوریهای پیشرفته ریاضی (المان محدود، ارتعاشات تصادفی و تحلیل قابلیت اطمینان و...) براساس داده های بدست آمده مدلسازی شده اند. خیلی از مواقع بعضا تئوری موجود روشهای ریاضی یا خصوصا روشهای هوش مصنوعی بسته به نوع مساله و داده ها توسط نویسنده خود جهت کارکرد بهینه تغییر داده میشوند. یعنی میبایست محقق هم در زمینه کارآزمایشگاهی خبره باشد و هم ریاضیدان خوبی باشد. در ژورنالهای با اعتبار بالاتر و قدیمی ترمثل ASCE تقریبا هر مقاله ای انتشار میابد این ویژگی را دارد. برخلاف قبل امروزه صرفا با هدف غنی تر کردن ادبیات تحقیق نمیشه نمونه ساخت و شکست (به مقالات قبل از 2005 نگاه کنید برخی کارهای آزمایشگاهی عینا به همین موضوع اشاره دارند.) و کار آزمایشگاهی بدون تحلیل نتایج و قضاوت صحیح ارزشی نداره. در صورتی که در رشته ای مثل شیمی یا زیست شناسی شما به اقتباس از یک پژوهش گذشته (یعنی طرح آزمایش قبلا انجام شده) با تغییر متریال میتوانید با مقایسه با نتایج پژوهشگر قبلی مقاله بنویسید. در ضمن هزینه یک آزمایش در رشته ما با بقیه خیلی تفاوت دارد یا Run کردن یک الگوریتم فراابتکاری یا مدل المان محدود نیاز به پردازشگر سریع دارد.
مورد خیلی حساس در این زمینه کارایی و تطابق مدل ریاضی هست که برای تحلیل نتایج آزمایش استفاده می شود. به این معنی که پیدا کردن و تست کردن روشی که به خوبی بتواند نتایج یا اثر پارامتر مدنظر شما را از دل کارهای آزمایشگاهی استخراج کند یا برای آنها مدل کارایی بسازد اصلا ساده نیست.