AI-тай уурхайг “амилуулах” нь: Hillgrove-ийн сургамж

70+ өөрийн ажилтан, 80 гаруй туслан гүйцэтгэгчтэй талбай дээр нэг шийдвэр бодит ажил болж хувирах мөч байдаг: газар доорх хөгжүүлэлт албан ёсоор эхэллээ гэсэн мэдэгдэл. Австралийн NSW дахь Larvotto Resources-ийн Hillgrove алт‑сурьма (antimony) төслийн хувьд энэ нь зүгээр нэг “ажил эхэллээ” биш—ирэх онд үйлдвэрлэлээ сэргээх төлөвлөгөө бодитой болсон гэсэн үг.

Эндээс Монголын уул уурхайд шууд хамаарах нэг санаа гарч ирнэ. Уурхайг дахин “амилуулах” үед хамгийн том дайсан нь техник биш—төлөвлөлт, хугацаа, эрсдэл, мэдээллийн зөрүү байдаг. Яг энэ хэсэгт хиймэл оюун ухаан (AI) хамгийн их үнэ цэнийг өгдөг. Энэ нийтлэл нь “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд Hillgrove-ийн сэргэлтийг AI-д суурилсан системүүдээр Монголын уурхайнууд хугацаа, зардал, ослын эрсдэлийг яаж бууруулж болох бодит кейс болгон задлана.

Hillgrove яагаад сонирхол татаж байна вэ?

Hillgrove-ийн гол мессеж тодорхой: газар доорх хөгжүүлэлт (decline, lateral), нөхөн сэргээлт, ground support, haulage зэрэг ажлуудыг эхлүүлж, 4 жилийн хугацаанд 20 км өргөтгөл хийхээр төлөвлөсөн. Дээр нь өмнө нь хийгдсэн existing underground infrastructure болон stoping-д бэлэн хүдэр аль хэдийн байна. Өөрөөр хэлбэл “шинээр нээх” бус, сэргээж үйлдвэрлэлд оруулах төсөл.

Монголд энэ төрлийн нөхцөл түгээмэл:

• Өмнө нь ажиллаж байсан уурхай/участок дахин нээх
• Дэд бүтэц байгаа ч өгөгдөл, баримт бичиг тархай
• Хүмүүсийн туршлага хүчтэй ч шинэ баг орж ирэхэд мэдлэг дамжуулалт удаан

Hillgrove-д PYBAR Mining Services “full-service underground solution” буюу тоног төхөөрөмж + хүн хүч + статут хяналт + аюулгүй ажиллагааны систем багцаар нь оруулж ирж байна. Энэ бол гүйцэтгэлийн хувьд зөв алхам. Харин Монголын нөхцөлд дараагийн алхам нь ихэвчлэн ингэж харагдана: AI-тай төлөвлөлт, AI-тай засвар үйлчилгээ, AI-тай аюулгүй байдал.

AI хамгийн түрүүнд хаана өгөөж өгдөг вэ? (Сэргээх төслүүдийн “амьдралын шугам”)

Хариулт нь нэг өгүүлбэр: downtime-ийг урьдчилан харж багасгах.

Газар доорх уурхай дахин эхлэх үед downtime нь ихэвчлэн 3 шалтгаантай:

1. Төлөвлөгөө ба бодит гүйцэтгэлийн зөрүү (хөгжүүлэлтийн хурд, тоног төхөөрөмжийн availability)
2. Геотехникийн тодорхойгүй байдал (ground support-ийн хэмжээ/давтамж нэмэгдэх)
3. Сэлбэг, засвар, логистикийн тасалдал (хаалттай орчинд жижиг тасалдал ч том нөлөөтэй)

1) AI-driven production planning: “execution mode”-ыг бодитоор удирдах

Hillgrove “execution mode”-д орлоо гэж онцолсон. Гэхдээ execution гэдэг нь өдөр бүрийн micro-decision-үүдийн нийлбэр.

AI энд юуг өөрчилдөг вэ?

• Short-interval control (SIC) өгөгдлийг (ачилт, тээвэр, нүүр, өрөмдлөг, тэсэлгээний цикл) машин сургалтаар боловсруулж маргаашийн bottleneck-ийг өнөөдөр хэлж өгнө.
• Shift бүрийн төлөвлөгөө “хуанли” биш, таамаглалтай тооцоо болдог: ямар фронт дээр ground condition муудах магадлал өндөр вэ, тэнд хэдэн хүн/тоног нэмэх вэ гэх мэт.

Монголын газар доорх болон ил уурхайн холимог үйл ажиллагаанд ч адилхан: өдөр тутмын 5–10%-ийн алдагдал жилээрээ үржихээр том мөнгө болдог.

2) Predictive maintenance: haulage ба хөгжүүлэлтийн “нурууг” хамгаалах

Hillgrove-д haulage, decline excavation зэрэг нь ажлын үндсэн хэсэг. Энэ гинжин хэлхээний хамгийн эмзэг цэг нь тоног төхөөрөмжийн эвдрэл.

AI-д суурилсан predictive maintenance хийхэд:

• Дамжуулалтын тосны температур, чичиргээ, гидрийн даралт, моторын load зэрэг telemetry-гээс эвдрэхээс өмнөх хэв маяг илрүүлнэ
• “Сэлбэг дуусах” гэдэг асуудлыг ашиглалтын горим-той уялдуулж урьдчилан захиалга болгоно

Миний харж байсан хамгийн нийтлэг алдаа: уурхайнууд өгөгдөлтэй байдаг ч (SCADA, OEM telemetry) шийдвэр болтол нь холбодоггүй. AI төслийн үнэ цэнэ нь алгоритмдаа биш—ажлын урсгалд суулгасандаа байдаг.

3) Ground support ба геотехник: AI-тай эрсдэлийн зураглал

Hillgrove-ийн хөтөлбөрт rehabilitation, ground support installation багтсан. Энэ нь “заавал хийх” ажил. Гэхдээ хаана, ямар хэмжээгээр, ямар давтамжтай хийх нь өртөг ба хугацааг шууд өөрчилнө.

AI-гаар:

• Өмнөх хөгжүүлэлтийн зураглал, геологийн тайлан, өрөмдлөгийн өгөгдөл, seismic/monitoring мэдээллийг нэгтгээд эрсдэлийн heatmap гаргана
• “Support-оо хэтрүүлээд” хугацаа алдахгүй, “дутуу хийгээд” эрсдэл үүсгэхгүй оновчтой шийдэл санал болгоно

Монголд ялангуяа олон жил дамнасан уурхайд баримт бичиг, зураг, тайлан нь PDF/скан байдлаар тархай байдаг. Энд Generative AI (жишээ нь баримтаас мэдээлэл ялгах, хайлт хийх) маш хурдан өгөөж өгдөг.

Hillgrove-оос Монголд авах 4 бодит сургамж

Хариулт нь практик: сэргээх төслийг зөвхөн инженерчлэлээр биш, өгөгдөл-удирдлагатай бүтээгдэхүүн шиг авч үз.

1) “Full-service” гүйцэтгэгчтэй байсан ч өгөгдлийн эзэмшил таных байх ёстой

PYBAR шиг гүйцэтгэгч орж ирэхэд аюулгүй байдал, статут хяналт сайжирна. Гэхдээ Монголын уурхайнууд гэрээндээ дараахыг тусгахгүй орхих нь элбэг:

• Тоног төхөөрөмжийн telemetry
• Shift тайлангийн бүтэц
• Downtime-ийн ангилал (код)
• Нэгж метрик (tonnes, metres, cycle time) нэг стандарттай байх

AI хэрэгжүүлэх гэж байгаа бол өгөгдлийн стандарт хамгийн түрүүнд.

2) 20 км хөгжүүлэлтийг “календараар” биш, эрсдэлийн загвараар явуул

Hillgrove шиг олон км хөгжүүлэлттэй үед “сар бүр тэдэн метр” гэдэг зорилт дангаараа хангалтгүй. Монголд зөв ажилладаг арга:

• Constraint-based plan: хүн хүч, тоног, вентиляци, тэсэлгээний цонх, тээврийн багтаамж гэх мэт хязгаарлалтуудыг загварчил
• AI-аар аль хязгаарлалт хамгийн их алдагдал үүсгэж байгааг илрүүл

3) Хүний мэдлэгийг дижитал болгохгүй бол шинэ баг удаан явна

Hillgrove-д баг хурдан томорч байна (70+ ажилтан). Монголд баг тэлэх, ээлж солигдох үед хамгийн их алдагдал нь “хэн юу мэддэг вэ” гэдэг дээр гардаг.

Энд Generative AI ашиглаж болно:

• SOP, JSA, risk assessment, тоногийн заавар, өмнөх ослын тайлангуудыг нэг knowledge base болгох
• Мастеруудын туршлагыг “асуухад шууд хариулах” дотоод чат хэлбэрт оруулах

4) Аюулгүй ажиллагааг KPI болгоод зогсохгүй, урьдчилан таамагла

Газар доорх уурхайд аюулгүй байдал бол зөвхөн дүрэм биш—мэдээллийн асуудал.

• Near-miss тайлан, зан үйлийн ажиглалт, тоногийн proximity data, агаарын чанар (CO, NOx, dust) зэргийг нэгтгэвэл
• AI нь “хаана эрсдэл өсөж байна” гэдгийг өдрөөр гаргана

“Монголд яг одоо юу хийх вэ?” — 90 хоногийн хэрэгжүүлэх зураг

Хариулт нь богино: AI-г томоор эхлүүлэх хэрэггүй, өгөгдөл ба урсгалаа цэгцэл.

1. 2 долоо хоног: өгөгдлийн аудит

   • Downtime код, shift тайлан, telemetry хаана байна?
   • Аль нь бодит шийдвэрт ашиглагдаж байна?

2. 30 хоног: нэг use case сонго

   • Жишээ: LHD/Truck availability сайжруулах, эсвэл хөгжүүлэлтийн cycle time багасгах

3. 60 хоног: dashboard + alert

   • “Юу болсон” биш, “маргааш юу болох магадлалтай” гэдэг дээр төвлөр

4. 90 хоног: SOP-д шингээ

   • AI-ийн гаргасан зөвлөмжийг shift meeting, maintenance planning, dispatch дүрэмд оруул

Эндээс хойш өргөтгөхөд амархан: геотехник, аюулгүй байдал, хүдэр‑чанарын удирдлага, эрчим хүчний оновчлол гээд.

Hillgrove-ийн сэргэлтээс харагдах нэг үнэн

Hillgrove шиг уурхайг дахин ажиллуулахад “нэг том нууц” гэж байдаггүй. Зөв гүйцэтгэгч, зөв төлөвлөгөө, зөв хяналт л хэрэгтэй. Харин Монголын уурхайнуудын ялалт байгуулах талбар нь энд байна: бид зөвхөн эхлүүлээд зогсохгүй, AI ашиглаад тогтвортой хурдтай, бага downtime-той ажиллаж чадна.

Энэ цувралын гол санаа бол нэг өгүүлбэр: хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарт автоматжуулалт, үр ашиг, аюулгүй байдлыг нэг дор өсгөх бодит хэрэгсэл болсон.

Танай уурхай 2026 онд шинэ шатанд гарахыг хүсвэл нэг асуултаас эхэл. “Бид өнөөдөр ямар шийдвэрийг зөн совингоор гаргадаг вэ, тэрийг өгөгдлөөр баталгаажуулж болох уу?”

Хэрвээ та хүсвэл би танай уурхайн (ил/далд) төрлөөс шалтгаалаад AI хэрэгжүүлэх 5 use case, шаардлагатай өгөгдлийн жагсаалт, KPI загварыг нэг хуудас болгон гаргаад өгч чадна.