000			05729namaa22004331i 4500
003			EG-GICUC
005			20260219100211.0
008			260209s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a006.31
092			_a006.31 _221
097			_aM.Sc
099			_aCai01.18.11.M.Sc.2025.Mo.M
100	0		_aMohamed Salah Abuelhamd, _epreparation.
245	1	0	_aMachine learning approach for energy efficiency in the oil and gas sector / _cby Mohamed Salah Abuelhamd ; Supervised Prof. Dr. Ammar Mohammed Ammar Mohammed, Dr. Muhammad Mahmoud Mustafa El-Gharbawy.
246	1	5	_aمنهجة التعلم الآلي لكفاءة الطاقة فى قطاع النفط والغاز
264		0	_c2025.
300			_a105 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 101-105.
520		3	_aThe 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.
520		3	_aيُعد 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aMachine Learning
650		0	_aالتعلم الآلي
653		1	_aMachine Learning _aAmmonia Production _aCO2 Removal _aEnergy Sustainability _aOperational Resilience _aArtificial Neural Networks _aIndustrial Process Optimization _aتعلم الآلة _aإنتاج الأمونيا
700	0		_aAmmar Mohammed Ammar Mohammed _ethesis advisor.
700	0		_aMuhammad Mahmoud Mustafa El-Gharbawy _ethesis advisor.
900			_b01-01-2025 _cAmmar Mohammed Ammar Mohammed _cMuhammad Mahmoud Mustafa El-Gharbawy _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Data Science
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c178319