根据QD钢板生产线采集的数据，采用自适应神经网络建立了一个新的控制模型，这个模型可以实现在坯料加热时预测坯料粗轧时的温度，然后把此预测温度作为反馈值用来调整加热炉有关参数，从而较为精确地把坯料加热到预设温度，节省了加热成本，方便了后续轧制操作。
经过实际测量，此QD钢板模型的平均误差为5.6℃,大约有5%的观测结果误差大于15笆逐，J.s.Son等应用新遗传算法(GA)的优化神经网络和在线学习的神经网络对热轧过程的轧制力进行预测并与实际值比较，结果表明具有较好的一致性。
利用POSCO热轧QD钢板厂有关力学性能参数采用混合神经网络方法来对热带轧制过程进行建模，预测热轧合金板带的力学性能。
单一神经网络模型经过训练、验证和测试显示具有较好的预测精度，釆用双环网络训练建立的系统神经网络模型与单一神经网络模型相比具有更高的预测精度伍旳。
釆用神经网络和有限元相结合的方法，对冷平辐轧制的轧制力、轧制扭矩和应变分布进行了研究，并把研究结果应用于在线控制和优化。
世界经济的持续发展为钢铁工业不断提供新的发展机遇的同时也提出了新的挑战。
总的来说，为了滴足未来世界经济发展的需要，需要不断进行QD钢板轧钢技术的创新和轧制设备的改进，并开发出具有高强度甚至超高强度、优良的耐腐蚀性能、成形性能和高表面质量等性能的QD钢板钢铁产品，这也是未来QD钢板轧制技术发展的方向和趋势。
低温普碳卷板 QD 5 C 56吨
低温普碳卷板 QD 4 C 70吨
低温普碳卷板 QD 3 C 60吨
低温普碳卷板 QD 14 C 77吨
低温普碳卷板 QD 12 C 65吨
低温普碳卷板 QD 10 C 87吨
低温普碳卷板 QD 8 C 吨
低温普碳卷板 QD 6 C 80吨
低温普碳卷板 QD 5 C 66吨
低温普碳卷板 QD 4 C 50吨