Abstrak
Bahan karbon yang didoping nitrogen merupakan katalis yang menjanjikan untuk reduksi CO2 elektrokimia (ECR), tetapi mencapai efisiensi Faradaic (FE) yang tinggi untuk produksi CO merupakan tantangan karena adanya reaksi evolusi hidrogen (HER) yang bersaing. Pendekatan optimasi katalis konvensional sering kali lambat dan padat karya. Untuk mengatasi keterbatasan ini, kami mengembangkan model bertumpuk berbasis pembelajaran mesin untuk memprediksi efisiensi Faradaic (FE) CO dalam ECR, menggabungkan hutan acak (RF) dan XGBoost (XGB) sebagai model dasar dengan regresi linier sebagai meta-model. Pendekatan bertumpuk ini secara signifikan mengurangi overfitting, mencapai nilai R2 sebesar 0,98 untuk pelatihan dan 0,91 untuk pengujian, dibandingkan dengan 0,99 (pelatihan) dan 0,86 (pengujian) menggunakan XGBoost saja dengan parameter default. Analisis SHAP (SHapley Additive exPlanations) menunjukkan bahwa nitrogen piridin memainkan peran utama dalam meningkatkan selektivitas CO di antara berbagai bentuk nitrogen, sementara nitrogen grafit sangat penting untuk memprediksi produksi hidrogen selama HER. Temuan ini menyoroti bagaimana pembelajaran mesin mempercepat desain katalis dengan memberikan wawasan tentang peran konfigurasi nitrogen dalam menyetel selektivitas produk. Studi ini menyajikan pendekatan baru berbasis data untuk pengoptimalan elektrokatalis, yang menawarkan jalur menuju teknologi pengurangan CO2 yang lebih efektif.