pyrex玻璃耐熱溫度的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

精密玻璃模造相關技術於光學元件之應用與研究

為了解決pyrex玻璃耐熱溫度的問題，作者黃建堯 這樣論述：

玻璃材料相較於高分子材料，具有更耐熱、耐候、抗刮、抗腐蝕、較優異的光學特性等，因此在某些特殊環境僅能使用玻璃材料，例如高能雷射系統或是嚴苛氣候條件。精密玻璃模造技術可快速地製作高精度玻璃元件，但因玻璃模造關鍵技術，如模仁之硬膜鍍膜技術及模造製程參數，皆為各廠商的商業機密。且光學玻璃材料種類繁多，在玻璃模造製程參數測試初期，需要耗費許多時間才能獲得適合該材料特性的穩定製程參數，導致後人較難以先前研究墊基。因此，本研究針對各種欲成形之玻璃材料進行實驗分析，以獲得最佳的模造製程參數。後續相關研究學者只要依照元件外形微調本論文之製程參數，即可迅速地完成相似光學元件。本論文以精密玻璃模造技術為核心，發

展開放式及封閉式兩種玻璃模造實驗方法，進行元件成形探討。實驗結果發現開放式模造製程中，因有氮氣的對流熱傳加熱效果，玻璃預形體及模仁升溫效率較封閉式佳，所以適合用來成形微結構，但因其缺乏定位導銷而無法使鏡片之兩面定心，因此若要製作精密曲面光學元件，則需採用封閉式模造製程。本實驗利用開放式製程對微結構元件進行成形機制探討，包括微柱狀透鏡陣列、單面/雙面微透鏡陣列，且利用封閉式製程探討精密曲面元件成形，包括平面積體光學元件與非球面透鏡。最後利用具有微結構與精密曲面的菲涅耳透鏡，來驗證微結構與精密曲面的研究成果。目前精密玻璃模造技術之模仁多使用碳化鎢材料並透過超精密鑽石輪磨技術製作，然而鑽石輪磨技術針

對複雜性或微結構輪廓有其加工限制。因此，本論文提出除了使用鑽石輪磨技術所加工之模仁外，亦透過線切割放電加工技術在導電的碳化鎢材料上製作模仁結構，以及利用雷射加工技術在碳化矽與不銹鋼材料上製作微結構陣列，並利用電解拋光技術改變不銹鋼微結構輪廓，完成微陣列模仁，本論文所提出之製程方法，使玻璃模造之模仁加工法不必再侷限於精密鑽石輪磨製程。在模造製程中，本論文發現提高模造溫度、降低模造力量或是減少降溫速率，可有效的解決元件破裂現象，而降低模造溫度可減少沾黏現象。在模造環境方面，充填氮氣的狀態下，模仁以及玻璃預形體的受熱方式較多，因此溫度較高且成形性較佳，然而真空模造環境可避免元件產生氣泡，因此，可藉由

增加上下模座之間距、增加保溫時間以及提高模造溫度，使玻璃元件在真空模造環境成形。若玻璃元件尺寸大於15 mm，可增加保溫時間至180秒以上，使玻璃元件溫度更均勻，降低破裂現象的產生，且減緩降溫速率，可減少折射率的變化量，對小尺寸非球面透鏡而言，使用18.5 °C/min之降溫速率可獲得較穩定的鏡片品質。在開放式模造製程方面，利用線切割放電加工技術可加工高硬度材料，製作微長條形溝槽陣列於碳化鎢模仁，以N-FK5材料完成外徑20 mm、厚度5 mm，其上有高度234 μm、曲率3.42 mm之微柱狀透鏡陣列，並利用雷射光束驗證其經過微柱狀透鏡陣列之後，原為圓形光斑之雷射輪廓轉變為線形雷射輪廓。此外

，還利用雷射技術非接觸加工的特性製作微結構陣列於碳化矽模仁，以鈉玻璃完成鏡片外徑20 mm、厚度1.2 mm，其上具有曲率半徑為851 μm，寬度與高度分別為460 μm及52 μm，透鏡間距為700 μm之雙面微透鏡陣列。以及使用雷射加工不銹鋼模仁，經電解拋光技術去除再鑄層，以鈉玻璃完成曲率為58.1 μm，高度為39.3 μm之微透鏡陣列以及曲率79.8 μm，高度為37 μm之微柱狀鏡陣列，其陣列範圍皆為10 mm*10 mm。在封閉式模造製程方面，模仁材料皆使用碳化鎢，且利用超精密鑽石輪磨技術加工，在最佳模造溫度750 ℃時，完成外徑53 mm、高度6 mm，具有拋物面結構之N-BK7

平面積體光學元件。並使用K-VC79玻璃材料，於最佳模造溫度585 ℃時，完成外徑4.47 mm，表面精度小於0.5 λ (0.316μm)之非球面透鏡。亦使用K-CSK120玻璃材料，在最佳模造溫度560 ℃時，完成填充率達99 %之菲涅耳透鏡，其外徑為15 mm。

應用類神經網路預測震盪式熱管之熱性能

為了解決pyrex玻璃耐熱溫度的問題，作者陳冠廷 這樣論述：

本研究是利用外徑3.5 mm、內徑3 mm之不鏽鋼管製作總長2 m、九個折彎數的震盪式熱管，文章中包含製作、真空處理、填充及封裝，並利用去離子水做為其工作流體，針對不同填充量、不同風速及不同加熱量下進行測試與分析，並利用外徑6 mm、內徑3 mm耐熱玻璃管製作可視化玻璃震盪式熱管，對其不同填充率下震盪的效果進行比較。將實驗所獲得的結果利用類神經網路進行訓練，並利用網路運算結果與其它數據進行比對及分析，探討不同網路結構及輸入參數對預測結果的影響。 結果顯示流體填充率適用範圍為30%~70%，利用填充率、加熱量、風速為輸入值，整體熱阻值為輸出值，再以不同輸入組合代入不同層數之類神經網路進行

比較，結果顯示輸入組合15%、40%、60%及80%效果最佳，以及輸入單層網路的結果較雙層網路者為佳，其預測之平均誤差最佳為0.0541 K/W。