Mohamed Salah Abuelhamd,  <br/><br/>
Machine learning approach for energy efficiency in the oil and gas sector / 
 منهجة التعلم الآلي لكفاءة الطاقة فى قطاع النفط والغاز 
by Mohamed Salah Abuelhamd ; Supervised Prof. Dr. Ammar Mohammed Ammar Mohammed, Dr. Muhammad Mahmoud Mustafa El-Gharbawy.  
 - 105 Leaves :  illustrations ;   30 cm. +   CD. 
<br/><br/>Thesis (M.Sc)-Cairo University, 2025. 
<br/><br/>Bibliography: pages 101-105. 
<br/><br/> The manufacturing of ammonia is a crucial process in the worldwide <br/>chemical sector. It is an energy-intensive activity that generates substantial CO₂ <br/>emissions, especially from the CO₂ removal unit. <br/>Conventional control techniques frequently fail to optimize energy usage and <br/>CO₂ capture because of the intricate nonlinear dynamics inherent in industrial <br/>operations. <br/>This study presents a machine learning framework aimed at improving the <br/>efficiency and sustainability of CO₂ removal systems in ammonia plants that <br/>employ Hot Potassium Carbonate (HPC) solvent technology. <br/> The study implemented and assessed various machine learning models, <br/>such as Gradient Boosting, Artificial Neural Networks (ANN) and XGBoost <br/>utilizing real-time operating data from an industrial ammonia plant in Egypt. <br/>The models were developed to forecast essential process parameters including <br/>steam generation flow rates, CO₂ absorption efficiency and energy consumption <br/>metrics. <br/> The ANN and XGBoost models attained exceptional predictive accuracy, <br/>with R² scores reaching 0.99 for energy-related forecasts and exceeding 0.82 for <br/>CO₂ capture predictions. <br/> The implementation of the AI-driven control method yielded significant <br/>operational enhancements: steam consumption decreased from 12.4 ton/h to <br/>10.1 ton/h, resulting in an 18.5% energy savings while CO₂ capture efficiency <br/>rose from 88.2% to 94.7%, indicating a 6.5% improvement. <br/>These results were corroborated by actual plant measurements, affirming the <br/>models' robustness in genuine industrial environments. <br/> The thesis presents a dependable AI-driven decision support system that <br/>enhances energy efficiency, operational excellence and environmental <br/>sustainability. <br/><br/><br/>ii <br/><br/> <br/><br/>This approach provides a pragmatic answer for enterprises seeking to comply <br/>with global decarbonization objectives by optimizing CO₂ capture and <br/>minimizing energy use. <br/>The thesis underscores the extensive application of machine learning in processing <br/>industries and establishes a basis for future endeavors that <br/>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.<br/>	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).<br/>	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. 
<br/><br/>
<br/><br/><br/>Text in English and abstract in Arabic & English. 
<br/><br/><label>Subjects--Topical Terms: </label><br/>Machine Learning<br/>التعلم الآلي
<br/><br/><label>Subjects--Index Terms: </label>Machine Learning  Ammonia Production  CO2 Removal  Energy Sustainability  Operational Resilience  Artificial Neural Networks  Industrial Process Optimization  تعلم الآلة  إنتاج الأمونيا 
<br/><br/><label>Dewey Class. No.: </label>006.31