Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 101-105.

The manufacturing of ammonia is a crucial process in the worldwide
chemical sector. It is an energy-intensive activity that generates substantial CO₂
emissions, especially from the CO₂ removal unit.
Conventional control techniques frequently fail to optimize energy usage and
CO₂ capture because of the intricate nonlinear dynamics inherent in industrial
operations.
This study presents a machine learning framework aimed at improving the
efficiency and sustainability of CO₂ removal systems in ammonia plants that
employ Hot Potassium Carbonate (HPC) solvent technology.
The study implemented and assessed various machine learning models,
such as Gradient Boosting, Artificial Neural Networks (ANN) and XGBoost
utilizing real-time operating data from an industrial ammonia plant in Egypt.
The models were developed to forecast essential process parameters including
steam generation flow rates, CO₂ absorption efficiency and energy consumption
metrics.
The ANN and XGBoost models attained exceptional predictive accuracy,
with R² scores reaching 0.99 for energy-related forecasts and exceeding 0.82 for
CO₂ capture predictions.
The implementation of the AI-driven control method yielded significant
operational enhancements: steam consumption decreased from 12.4 ton/h to
10.1 ton/h, resulting in an 18.5% energy savings while CO₂ capture efficiency
rose from 88.2% to 94.7%, indicating a 6.5% improvement.
These results were corroborated by actual plant measurements, affirming the
models' robustness in genuine industrial environments.
The thesis presents a dependable AI-driven decision support system that
enhances energy efficiency, operational excellence and environmental
sustainability.


ii



This approach provides a pragmatic answer for enterprises seeking to comply
with global decarbonization objectives by optimizing CO₂ capture and
minimizing energy use.
The thesis underscores the extensive application of machine learning in processing
industries and establishes a basis for future endeavors that
incorporate deep learning, real-time IoT data, and predictive maintenance.

يُعد إنتاج الأمونيا عملية حيوية في قطاع الصناعات الكيميائية على مستوى العالم. ومع ذلك، فهي عملية كثيفة الاستهلاك للطاقة وتنتج كميات كبيرة من انبعاثات ثاني أكسيد الكربون (CO₂)، خاصة من وحدة إزالة ثاني أكسيد الكربون. غالبًا ما تفشل تقنيات التحكم التقليدية في تحسين استهلاك الطاقة وكفاءة التقاط ثاني أكسيد الكربون بسبب التعقيدات غير الخطية الكامنة في العمليات الصناعية.
يقدم هذا البحث إطارًا قائمًا على تقنيات تعلم الآلة يهدف إلى تحسين كفاءة واستدامة أنظمة إزالة ثاني أكسيد الكربون في مصانع الأمونيا التي تعتمد على تقنية مذيب بيكربونات البوتاسيوم الساخن (HPC).
تم في هذه الدراسة تطبيق وتقييم العديد من نماذج تعلم الآلة، مثل Gradient Boosting والشبكات العصبية الاصطناعية (ANN) وXGBoost وذلك باستخدام بيانات تشغيلية لحظية حقيقية مأخوذة من مصنع أمونيا صناعي في مصر. تم تطوير النماذج لتوقع معلمات تشغيل أساسية تشمل معدلات تدفق توليد البخار، كفاءة امتصاص ثاني أكسيد الكربون، ومؤشرات استهلاك الطاقة.

Issues also as CD.

Text in English and abstract in Arabic & English.