AI-тай уул уурхай: далд уурхайн дахин эхлэлт

70+ дотоод ажилтан, 80 орчим гэрээт баг нэг дор төвлөрч, 20 км урт далд уурхайн тэлэлтийг 4 жилд “цагийн хуваарьтай” шиг явуулах төлөвлөгөөтэй байна. Австралийн NSW дахь Hillgrove-ийн жишээ үүнийг бодитоор харууллаа: уурхайн хөгжүүлэлт (decline, lateral), нөхөн сэргээлт, ground support, тээвэрлэлтийн ажил зэрэг нь зэрэг эхэлж, “үйлдвэрлэл рүү буцах” сүүлийн шатандаа оржээ.

Энд нэг гол санаа байна. Уурхайг дахин асаах нь зөвхөн техник хөдөлгөх ажил биш—өгөгдөл, төлөвлөлт, эрсдэлийн удирдлага, хүний нөөцийн синхрон ажиллагааны шалгалт байдаг. Тиймээс манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд Hillgrove-ийн сэргэлтийг нэг төрлийн кейс болгон авч үзвэл: AI ба дижитал шийдлүүд уурхайн дахин эхлэлт дээр яг хаана, яаж үнэ цэн өгдөг вэ? гэдэг асуултад маш практик хариулт гарч ирдэг.

Hillgrove-ийн дахин эхлэлтээс харагдах “жинхэнэ ажил”

Далд уурхайн дахин эхлэлт хамгийн түрүүнд хөгжүүлэлтийн сахилга бат шаарддаг. Hillgrove дээр PYBAR уурхайн үйлчилгээний баг Metz бүсээс эхэлж, дараа нь Garibaldi руу шилжихээр мобайлжсан. Хөтөлбөрт нь:

• Decline ба lateral excavation (гол налуу ба салаа малталтууд)
• Rehabilitation (хуучин малталт, байгууламжийг сэргээх)
• Ground support installation (тулгуур, бэхэлгээ)
• Haulage (тээвэрлэлтийн урсгал)

гээд үйлдвэрлэлийн өмнөх үндсэн ажлууд багтжээ. Үүний цаана “20 км далд уурхайн тэлэлт”-ийг эхний 4 жилийн хугацаанд хийх амбицтай төлөвлөгөө явж байна.

Яагаад энэ нь Монголын компаниудад хамаатай вэ?

Монголд шинэ уурхай нээхээс илүү “хуучин чадамжийг дахин ажиллуулах”, “хүчин чадлыг нэмэгдүүлэх”, “ордын захын нөөцийг илүү ашигтай болгох” төрлийн төслүүд өсөж байна. Дахин эхлэлт дээр хамгийн их алдагдал гардаг гурван цэг байдаг:

1. Төлөвлөлт ба бодит гүйцэтгэлийн зөрүү (schedule slippage)
2. Аюулгүй ажиллагааны эрсдэлийн гэнэт өсөлт (ground condition, хүний алдаа)
3. Зардлын хяналт сулрах (тоног төхөөрөмжийн бэлэн байдал, засвар үйлчилгээ)

Эдгээрийг AI-тай зөв холбож чадвал дахин эхлэлт “зардал ихтэй стресс” биш, тооцоотой өсөлт болж хувирдаг.

AI уурхайн дахин эхлэлтийн аль хэсэгт хамгийн түрүүнд ашигтай вэ?

Хамгийн өндөр өгөөжтэй эхлэл бол төлөвлөлтийн чанар ба өдөр тутмын шийдвэр гаргалт. AI-г “робот” гэж бодоод байдаг нь түгээмэл ташаа ойлголт. Эхний жилд хамгийн их үр дүн өгдөг AI хэрэглээ бол дараах 4 чиглэл.

1) Хөгжүүлэлтийн хурд ба замналын оновчлол (Development optimization)

Далд уурхайн decline, lateral-ийн явц бол минут тутамд өөрчлөгддөг орчин. Чулуулаг, усжилт, хий, геотехникийн нөхцөл, тоног төхөөрөмжийн availability гээд олон хувьсагч орж ирнэ.

AI-ийн практик хэрэглээ:

• Өдөр тутмын advance rate (урагшлах хурд)-ийн таамаглал
• Бутээгдэхүүнтэй бус (non-productive) цагийн шалтгааны кластер шинжилгээ
• Нэг ээлжийн нөөц хуваарилалт (LHD, jumbo, bolter, truck)

Яг энэ цэг дээр AI “хүртээмжтэй” байдаг. Учир нь шаардагдах өгөгдөл ихэнх уурхайд аль хэдийн бий: диспетчерийн лог, тоног төхөөрөмжийн телематик, засварын бүртгэл, геологийн зураглал.

2) Ground support ба геотехникийн эрсдэлийн удирдлага

Далд уурхайн хамгийн үнэтэй алдаа бол буруу дэмжлэг, буруу дараалал. Ground support бол “хэтэрхий их хийвэл зардал”, “дутуу хийвэл осол” гэсэн тэнцвэр.

AI яаж туслах вэ?

• Нуралт, чулуу уналтын эрсдэлийн early warning оноо
• Геотехникийн хэмжилт (convergence, seismic, stress) + олборлолтын үйл ажиллагааны өгөгдлийг хамтатган загварчлах
• Стандарт дэмжлэгийн паспортын зөрүү илрүүлэх (ямар хэсэгт нэмэлт bolt/mesh хэрэгтэй вэ?)

Монголын олон уурхайд геотехникийн өгөгдөл “байдаг ч шийдвэрийн мөчлөгт ордоггүй” асуудал байдаг. AI-ийн гол давуу тал нь өгөгдлийг шийдвэрийн хэл рүү хөрвүүлдэгт оршдог.

3) Тоног төхөөрөмжийн засвар үйлчилгээ: “унтрахаас нь өмнө мэдэх”

Уурхайн дахин эхлэлтийн үед тоног төхөөрөмжийн эвдрэл бол төлөвлөгөөний хамгийн том дайсан. Төлөвлөгөө зөрөхөд олборлолт л зогсохгүй, хүн хүч, логистик бүгд гацдаг.

AI хэрэглээний хамгийн бодит хувилбар:

• Predictive maintenance (температур, вибраци, даралт, тосны шинжилгээ)
• Засварын сэлбэгийн эрэлт, нийлүүлэлтийн таамаг
• Downtime-ийн шалтгааны ангилал (operator vs mechanical vs process)

Энд би нэг зүйлийг шулуухан хэлмээр байна: “AI суулгалаа” гэдэг нь dashboard хийснээс цааш байдаг. Model-оос гарсан дохио засварын төлөвлөгөө, сэлбэгийн захиалга, ээлжийн диспетчерлэлтийн дүрэмд шууд нөлөөлөхгүй бол үр дүн нь муу гардаг.

4) Аюулгүй ажиллагаа: бодит цагийн хяналт ба зан үйлийн эрсдэл

Далд уурхайд хөдөлгөөн ихтэй: LHD, truck, хүн, тэсэлгээний бүс, агааржуулалт. AI-тай компьютер хараа (computer vision) ба proximity analytics-ийг зөв ашиглавал ослын эрсдэлийг бодитоор бууруулдаг.

• Хамгаалах хэрэгслийн мөрдөлт (PPE compliance)
• Хүн–машины ойртолтын дүн шинжилгээ
• Агаарын чанар, хий, тоосжилтын хэвийн бус өөрчлөлт илрүүлэх

Монголын нөхцөлд хамгийн амжилттай хэрэгждэг нь “том төгс систем” биш, аюулгүй байдлын нэг чухал эрсдэлийг сонгоод 8–12 долоо хоногт туршиж үр дүн хэмжих арга.

Hillgrove-ийн “full-service” загвар ба Монголд хэрэгжүүлэх сургамж

Hillgrove дээр үйлчилгээний компани нь тоног төхөөрөмж, ажиллах хүч, хууль эрх зүйн хяналт (statutory supervision)-ыг нэг багцаар гүйцэтгэж байна. Энэ нь нэг талаас эрсдэлийг төвлөрүүлж, нөгөө талаас стандарт ажиллагааг хурдан тогтоох давуу талтай.

Монголын уурхайд энэ юу гэж хөрвөх вэ?

AI-г нутагшуулахдаа “хэний асуудал вэ?” гэдэг дээр гацаад, эцэст нь хэний ч асуудал биш болгодог.

Практик хувилбар:

• Owner–contractor–vendor гурвалын өгөгдлийн гэрээ (data ownership, access, retention)
• Нэг “AI use case owner” (үйл ажиллагааны нэгжээс) томилох
• Safety & health management system дээр AI дохионы action protocol бичих

AI дохио бол зөвхөн мэдээлэл биш—ажиллагааны дүрэм. Дүрэм болоогүй AI бол сэтгэл хөдөлгөсөн тайлан л гэсэн үг.

“Яг одоо” эхлүүлэх 90 хоногийн төлөвлөгөө (Lead-д чиглэсэн практик алхам)

Хиймэл оюун ухааныг уул уурхайд нэвтрүүлэх хамгийн зөв эхлэл бол жижиг хүрээтэй, хэмжигдэхүйц үр дүнтэй төсөл. Би хамгийн их ажилладаг 90 хоногийн загварыг товч өгье.

0–30 хоног: Өгөгдөл ба асуудлын сонголт

1. Нэг л KPI сонго: тонн/ээлж, downtime, advance rate, эсвэл near-miss.
2. 3 төрлийн өгөгдлөө цуглуул: тоног төхөөрөмж, диспетчер, аюулгүй ажиллагаа.
3. Өгөгдлийн чанарын хурдан аудит хий: алдагдал, давхардал, цагийн синхрон.

31–60 хоног: Загвар + туршилт

• 1 use case дээр MVP model (baseline vs AI-assisted) байгуул
• Ээлжийн түвшинд зөвлөмж өгдөг болго (жишээ нь: “өнөөдөр энэ тоног төхөөрөмж дээр эвдрэлийн эрсдэл өндөр”)
• Үр дүнг өдөр тутмын хурал дээр ярьдаг болгож хэвшүүл

61–90 хоног: Үйл ажиллагаанд суулгах

• Action protocol: “дохио гарвал хэн, юу хийх вэ?”
• KPI-гаа долоо хоногоор хэмжиж, бодит хэмнэлт гаргах (цаг, түлш, сэлбэг, осол)
• Дараагийн use case руу өргөжүүлэх жагсаалт гаргах

Энэ 90 хоногийн төгсгөлд та нэг чухал зүйлтэй болно: AI-ийн тухай санал бодол биш, уурхайн өөрийн өгөгдөл дээр суурилсан бизнес кейс.

Хиллгроувын сэргэлт бидэнд юу сануулж байна вэ?

Уурхайг дахин асаах үед “execution mode” руу орох нь амархан, харин хэмжилттэй удирдах нь хэцүү. Hillgrove-ийн жишээ дээр хөгжүүлэлт, нөхөн сэргээлт, дэмжлэг, тээвэр гэсэн үндсэн блокууд зэрэг хөдөлж байна. Энэ зэрэгцээ хөдөлгөөн дээр AI-ийн үнэ цэнэ хамгийн тод гардаг: хаана гацаж байна, яагаад гацаж байна, маргааш юу болох вэ гэдгийг хурдан хэлж өгнө.

Манай цувралын гол санаа өөрчлөгдөөгүй: хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарт үр ашгийг нэмэгдүүлж, аюулгүй ажиллагааг сайжруулж, автоматжуулалтыг бодит ажил болгох хэрэгсэл. Hillgrove шиг дахин эхлэлтийн төслүүд дээр энэ нь бүр ч тод харагддаг.

Танай уурхай 2026 онд хүчин чадлаа нэмэх, далд уурхайн хөгжүүлэлтээ хурдлуулах, эсвэл тоног төхөөрөмжийн downtime-оо бууруулах зорилготой бол нэг л асуултаас эхэл: “Бид өдөр тутмын шийдвэрээ өгөгдлөөр хэмжиж байна уу, эсвэл туршлагаар тааж байна уу?”