AI ба ногоон төмөр: Монголд хэрэгжүүлэх бодит алхмууд

5,000 тонн/жил хүчин чадалтай хайлмал төмрийн пилот шугам бол “туршилт” шиг сонсогдож магадгүй. Гэхдээ олборлох салбарын хувьд энэ нь маш тод дохио: төмрийн хүдэр нийлүүлдэг улсууд дараагийн шатанд илүү бага нүүрстөрөгчтэй үйлдвэрлэл, илүү хатуу мөрдөх боломжтой нүүрстөрөгчийн хэмжилт, мөн технологийн хамтын ажиллагаа руу хүчтэй шилжиж байна.

Fortescue болон China Baowu-ийн охин компани Taiyuan Iron and Steel (TISCO) хамтран устөрөгч дээр суурилсан плазм-өргөтгөсөн төмөр, гангийн металлурги (hydrogen-based plasma-enhanced iron/steel metallurgy) туршихаар технологийн хөгжлийн гэрээ байгуулсан нь үүнийг батална. Энэ технологи нь илүү “компакт”, эрчим хүчний үр ашигтай, устөрөгч ашиглах боломжтой төмөр үйлдвэрлэлийн маршрутыг санал болгож байна. Хамгийн сонирхолтой нь: Fortescue өөрийн Pilbara-гийн хүдрүүдтэй нийцэх эсэхийг үйлдвэрлэлийн тасралтгүй горимд шалгана гэж ил тод хэлсэн.

Манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд энэ мэдээний гол утга нэг өгүүлбэрээр: технологийн эрсдэлийг бууруулж, цар хүрээг өсгөх хамгийн хурдан арга нь AI-д суурилсан өгөгдөл, хамтын туршилт, бодит хугацааны хяналт юм. Монголын компаниуд энэ чиглэлийн “дагалдагч” биш, бодитоор оролцогч болж чадна.

Fortescue–TISCO гэрээ юу хэлээд байна вэ?

Эхний хариулт: төмөрлөгийн үйлдвэрлэл нүүрстөрөгчийн хувьд “хүнд жинтэй” хэвээр байгаа тул шинэ маршрутуудыг үйлдвэр дээр турших шаардлага хурцаар өссөн гэсэн үг.

Тус гэрээний хүрээнд хоёр компани:

• Устөрөгч дээр суурилсан плазм-металлургийн үйлдвэржүүлэх боломжийг шалгана
• Пилот үйлдвэрийн тестийн шугам-ын зураг төсөл, барилга, ашиглалтыг хамт хийнэ
• Жилд 5,000 тонн хүртэл хайлмал төмөр гаргах чадалтай байхаар зорьж байна
• Fortescue-ийн хувьд энэ нь Pilbara хүдрийн онцлогт таарах боломжтой “бага нүүрстөрөгчтэй” төмөр үйлдвэрлэлийн өөр нэг маршрут

Энд нэг хатуу үнэн бий: уул уурхайд хүмүүс зөвхөн хүдэр биш, ирээдүйн зах зээлийн шаардлага-ыг экспортолдог. 2025 оны төгсгөлд худалдан авагчид, санхүүжүүлэгчид “хэчнээн тонн” гэхээсээ илүү “хэдэн кг CO₂/тн” гэдгийг улам их асуудаг болсон.

Ногоон төмөр (green iron) масштаблахад AI яагаад зайлшгүй хэрэгтэй вэ?

Шууд хэлбэл: ногоон төмөр үйлдвэрлэх технологиудын гол зовлон нь физик-хими нь төвөгтэй, параметр нь олон, өгөгдөл нь тасралтгүй урсдаг. Үүнийг хүний туршлага дангаараа “гараар” удирдахад зардал өндөр, алдаа их гардаг.

1) Процессын удирдлага: плазм, устөрөгч, дулаан — бүгд зэрэг хэлбэлздэг

Плазмын горим, устөрөгчийн урсгал, хүдрийн найрлага, чийгшил, ширхэглэл, хольц (impurities) зэрэг нь нэг нэгэндээ нөлөөлнө.

AI энд хоёр ажил хийнэ:

• Soft sensor: лабораторийн удаан шинжилгээг хүлээхгүйгээр бодит цагт найрлага/чанарын ойролцоолол гаргана
• Advanced process control: олон параметрийг зэрэг тааруулж тогтвортой горим барина (тасралтгүй үйлдвэрлэлд шийдвэрлэх)

2) Эрчим хүч, устөрөгчийн өртөг: минут тутмын оновчлол шаарддаг

Устөрөгчийн үнэ, сэргээгдэх эрчим хүчний хэлбэлзэл, хадгалалт/логистик нь нэг өдрийн дотор өөрчлөгдөнө. AI ашигладаг компаниуд үйлдвэрлэлийн төлөвлөлтөө зөвхөн “сар, улирлаар” биш, өдөр, цагийн түвшинд оновчилдог.

Практик хэрэглээ:

• Эрчим хүчний үнэ өсөх цонхонд үйлдвэрлэлээ багасгах
• Хадгалалтын түвшин, эрэлт нийлүүлэлтийг харгалзан устөрөгчийн хэрэглээг “зөөлөн” тохируулах

3) Чанарын тогтворжилт: хүдрийн хувьсамтгай чанар хамгийн том дайсан

Fortescue өөрийн Pilbara хүдрүүдтэй нийцэх эсэхийг онцолсон нь санаандгүй биш. Нэг ордын хүдэр ч гэсэн үе давхарга, агуулга, хольцын хувьд өөр. Монголд ч яг адил.

AI-д суурилсан шийдэл:

• Ore blending optimization: олон эх үүсвэрийн хүдрийг хольж, хүссэн Fe/SiO₂/Al₂O₃ зэрэг үзүүлэлт рүү ойртуулах
• Digital twin: хүдрийн багц бүрийг “өөр өөр зан чанартай” гэж авч үзээд процессын тохиргоог автоматаар санал болгох

Монголын уул уурхайд гарч болох хамгийн бодит 3 боломж

Энд би нэг байр суурьтай хэлнэ: Монгол ногоон төмөр, ногоон ган руу шууд “үсрэх” гэж яарах хэрэггүй. Харин AI ашиглан одоо байгаа олборлолт, баяжуулалт, ложистикийг нүүрстөрөгч ба зардлын хувьд хэмжигдэхүйц сайжруулах нь хамгийн хурдан өгөөжтэй алхам.

1) Нүүрстөрөгчийн хэмжилт, тайлагнал: “өгөгдөлгүй ESG” дууссан

Олон улсын худалдан авагчид нүүрстөрөгчийн ул мөрийг зөвхөн тайлангаар бус, мөрдөх боломжтой өгөгдлөөр шаардана.

AI + дата архитектурын бодит ажлууд:

• Түлш, цахилгаан, тээвэр, тоног төхөөрөмжийн хэрэглээг нэгтгэж CO₂/тн хүдэр гэсэн KPI-г бодит хугацаанд гаргах
• “Яагаад өсөв?” гэдэгт үндэс шалтгааны шинжилгээ хийх (жишээ нь, замын нөхцөл, сул зогсолт, хэт ачаалал)

2) Тоног төхөөрөмжийн ашиглалт ба аюулгүй байдал: хамгийн хурдан ROI

Монголын уурхайд цаг агаар, тоосжилт, зай талбай, хүний нөөцийн эргэлт зэргээс шалтгаалж саатал ба ослын эрсдэл өндөр гардаг. AI-тай видео аналитик, телематик нь үүнийг бодитоор бууруулна.

• Дугуйт/гинжит техник дээрх мэдрэгчийн өгөгдлөөр predictive maintenance хийх
• Камерын дүрсээр аюултай бүсэд хүн/техник ойртсон тохиолдлыг автоматаар анхааруулах
• Тээврийн цикл (haul cycle)-ийг оновчилж литр/тн үзүүлэлтийг бууруулах

3) Олон улсын хамтын ажиллагаа: AI нь “хэлний орчуулга” биш, “стандартыг нийцүүлэх” хэрэгсэл

Fortescue–TISCO шиг түншлэлүүдийн хамгийн том саад нь соёл биш, өгөгдлийн стандарт байдаг. Туршилтын үр дүнг харьцуулахын тулд хэмжилт, нэршил, өгөгдлийн формат, чанарын дүрэм нэг байх ёстой.

Монгол компаниудын хийх хамгийн зөв алхам:

• Лаборатори, баяжуулах үйлдвэр, тээврийн өгөгдлөө нэг загварт оруулах
• Нэг KPI-г бүх салбар дээр нэг утгаар хэрэглэдэг болох (жишээ: “тонн” нь нойтон уу, хуурай юу?)

“Green iron” Монголд хамаатай юу? (Хариулт: тийм, гэхдээ зөв дарааллаар)

Тийм. Учир нь ногоон төмөр, ногоон гангийн эрэлт өсөх тусам нийлүүлэлтийн сүлжээнд оролцогч бүрээс чанарын тогтвортой байдал, төслийн сахилга бат, нүүрстөрөгчийн ил тод байдал шаардана. Энэ гурвыг AI-гүйгээр том хэмжээнд тогтвортой барих хэцүү.

Хүмүүс их асуудаг 3 асуулт

1) AI нэвтрүүлэхэд хамгийн түрүүнд ямар өгөгдөл хэрэгтэй вэ? Тоног төхөөрөмжийн телематик (fuel, idle time, load), хүдэр/баяжмалын чанарын өгөгдөл, тээврийн цикл, цахилгаан зарцуулалт. Эхний зорилго бол “гоё загвар” биш, нэг үнэн эх сурвалж үүсгэх.

2) Жижиг, дунд уурхайд AI хэрэгжих үү? Хэрэгжинэ. Гол нь бүхнийг нэг дор хийхгүй. Эхлээд нэг шугам, нэг процесс дээр 30–90 хоногийн турш хэмжигдэхүйц сайжруулалт гарга.

3) Ногоон технологи туршихад хамгийн том эрсдэл юу вэ? Технологиос илүү үйл ажиллагааны сахилга бат. Мэдрэгч ажиллахгүй, өгөгдөл дутуу, чанарын сорьцлолт зөрүүтэй байвал ямар ч туршилт буруу дүгнэлт өгнө.

Монголын компанид зориулсан 90 хоногийн “эхлэх төлөвлөгөө”

Хэрвээ та 2026 онд олон улсын түншлэл, санхүүжилт, худалдан авагчийн шалгуурыг давахыг хүсвэл дараах дараалал бодитой.

1. Нэг KPI сонго: литр/тн, kWh/тн, эсвэл CO₂/тн-оос нэгийг.
2. Өгөгдөл цэвэрлэгээ: 4–6 долоо хоногт мэдрэгч, бүртгэл, лабораторийн зөрүүг багасга.
3. AI-ийн эхний хэрэглээ: predictive maintenance эсвэл haul cycle optimization (хамгийн хурдан үр дүнтэй).
4. Удирдлагын хяналтын самбар: ээлжийн ахлагч хүртэл ашиглахуйц энгийн болго.
5. Түншлэлд бэлдэх: өгөгдлийн формат, нэршил, сорьцлолтын протоколоо стандартчил.

Нэг санаа: “AI төсөл” гэж нэрлэхээсээ өмнө “өгөгдлийн сахилга” гэж нэрлэ. Амжилтын хувь шууд өсдөг.

Дараагийн алхам: Монголын “ухаалаг олборлолт”-оос ногоон үйлдвэрлэл рүү

Fortescue–TISCO-ийн жишээ нэг зүйлийг тод харуулж байна: дэлхийн том тоглогчид ногоон төмөр үйлдвэрлэлийг үйлдвэр дээр, бодит хүдэр дээр, бодит тасралтгүй горимд шалгаж эхэллээ. Энэ түвшний туршилт амжилттай болох эсэх нь технологиос гадна өгөгдөл, хяналт, оновчлол дээр тогтоно. Өөрөөр хэлбэл, AI яг голд нь байна.

Манай цувралын гол санаа бол Монголд AI-г “гоё тренд” гэж харахгүй байх. Олборлолтын үр ашгийг нэмэгдүүлж, аюулгүй байдлыг сайжруулж, олон улсын түншлэлд шаардлагатай ил тод байдлыг бий болгох хамгийн прагматик хэрэгсэл гэж харах.

Хэрвээ та 2026 онд “ногоон” шаардлагаа нотлох, эсвэл гадаад түнштэй хамтарсан туршилт/пилот хийхээр төлөвлөж байгаа бол нэг асуултаас эхэл: танай уурхайн өгөгдөл түнш компанийн өгөгдөлтэй нэг хэлээр ярьж чадах уу?