AI-тай хөргөлтийн будаг: уурхайд зардал бууруулна

2025 оны зуны халалт зөвхөн “тавгүй” асуудал байхаа больсон. Дулааны давалгаанууд хэд хэдэн бүс нутагт цахилгаан сүлжээг доголдуулж, агааржуулалтын ачаалал оргилдоо хүрсэн нь бодит эрсдэл гэдгийг харууллаа. Ийм үед эрчим хүч огт зарцуулахгүйгээр гадаргууг “сэрүүцүүлдэг” будаг, бүрхүүл, кино материалууд (radiative cooling) ярианы сэдэв биш, бодлого ба хөрөнгө оруулалтын сэдэв болж байна.

Монголын уул уурхай, олборлох салбарт энэ нь маш шууд хамаатай. Уурхайн хотхон, засварын цех, агуулах, конвейерийн галерей, оффисын контейнер, баяжуулах үйлдвэрийн зарим хэсэгт зундаа хөргөлтийн зардал өсдөг. Нэмж хэлэхэд, халуун стресс нь ХАБЭА-тай шууд холбоотой. Энэ нийтлэлээр би нэг зүйлийг хатуу хэлмээр байна: “Сэрүүцүүлэх будаг” дангаараа бүхнийг шийдэхгүй, харин AI-тай нийлбэл уурхайд бодит мөнгө хэмнэх инженерийн шийдэл болж чадна.

Энэ нийтлэл нь “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын нэг хэсэг бөгөөд AI ашиглан материалын хөгжүүлэлт, эрчим хүчний үр ашиг, тогтвортой ажиллагааг хэрхэн уялдуулах вэ гэдэгт төвлөрнө.

Radiative cooling гэж юу вэ — уурхайд яагаад хэрэгтэй вэ?

Хамгийн товчоор: нарны гэрлийг аль болох буцаан ойлгож, барилга/гадаргуунаас ялгарах дулааныг тодорхой инфра улаан долгионы мужид “тэнгэр рүү” гаргах замаар гадаргууг хөргөдөг материалуудыг radiative cooling гэж ойлгож болно.

Энд гол ойлголт нь “атмосферийн цонх” юм. Судалгаануудын практик хэрэглээнд 8–13 микрометрийн инфра улаан мужид ялгарсан дулааны нэг хэсэг нь атмосферийн шингээлт багатай тул сансар луу алдагдах боломжтой. Үүнийг зөв “тааруулж” чадвал, нар тусаж байсан ч гадаргуу орчны температураас доош болох боломж гардаг.

Уул уурхайд яагаад чухал вэ?

• Зардал: Зундаа уурхайн хотхоны оффис, байр, сервер/сүлжээний өрөө, лабораторийн хөргөлт өндөр зардалтай.
• Хүний эрүүл мэнд, ХАБЭА: Дулааны стрессээс шалтгаалсан ядаргаа, анхаарал алдалт, ослын эрсдэл нэмэгддэг.
• Тоног төхөөрөмжийн найдвартай байдал: Электроник, удирдлагын шүүгээ, мэдрэгч, холбооны төхөөрөмж халалтад мэдрэмтгий.
• Сүлжээний ачаалал: Оргил ачааллын цагт хэрэглээг бууруулах нь зөвхөн мөнгө биш, тасалдлын эрсдэлийг бууруулна.

MIT Technology Review-д дурдсан жишээнүүдийн нэг чухал санаа: өнөөдрийн зах зээл нарны гэрлийг өргөн долгионы мужид хүчтэй сарниулж ойлгодог илүү энгийн, үйлдвэрлэлд ойр материал руу шилжиж байна. Энэ нь уурхайд сайн мэдээ. Учир нь уурхай “лабораторийн эмзэг” шийдэл биш, тоос, салхи, механик элэгдэл даах зүйл шаарддаг.

AI материал хөгжүүлэлтийг хурдлуулж байна: “Сайн санаа”-наас “үйлдвэрийн стандарт” хүртэл

Гол санаа: Radiative cooling материалын гол бэрхшээл нь онол биш, бат бөх байдал + өртөг + тогтвортой үйлдвэрлэл юм. Энд AI хамгийн их үнэ цэнэ өгдөг.

1) Найрлага, бүтэц, гадаргуугийн загварыг AI-гаар хурдан хайх

Өндөр ойлгогч (reflective) ба дулаан цацруулагч (infrared emissive) шинж чанарыг зэрэг хангана гэдэг нь олон параметрийн асуудал:

• пигмент/дүүргэгчийн төрөл (жишээ нь керамик, оксид суурьтай),
• ширхэгийн хэмжээ, тархалт,
• давхаргын зузаан,
• барьцалдуулагч полимер,
• гадаргуугийн барзгаршил.

Эдгээрийг уламжлалт аргаар туршиж тааруулахад олон сар, жил орно. Материалын мэдээлэл зүй (materials informatics), машин сургалт ашиглавал:

• зорилтот үзүүлэлтүүд (жишээ нь нарны тусгал ≥94%, тодорхой IR ялгаруулалт өндөр) рүү чиглэсэн шинэ найрлага санал болгоно,
• туршилтын тоог эрс багасгана,
• нутгийн нөхцөл (Говийн тоосжилт, температурын хэлбэлзэл) зэрэг орчны хүчин зүйлтэй уялдуулан оновчилно.

Миний байр суурь: Монголд “нэг бүтээгдэхүүн бүгдэд” гэж явах нь буруу. Уурхайн хэрэглээ тус бүр өөр. AI-тай дизайн нь энэ олон хувилбарыг бодит болгоно.

2) “Дэлгэцэн дээр сайн” материалаас “гадна орчинд 3 жил ажиллах” материал руу

Нийтлэлд дурдсан хамгийн бодит асуудлууд: үүлшилт, тоос/бохирдол, цаг хугацааны явцад ойлгогч буурах, мөн удаан эдэлгээтэй хямд материалуудын нэг хэсэг нь фторполимер (forever chemicals) дээр тулдаг.

AI-гаар энд хоёр чиглэлд ажиллаж болно:

• Хөгшрөлтийн загварчлал: Наранд шарагдах, элэгдэх, тоос суух үед ойлгогч хэрхэн унахыг өгөгдлөөр сургаж, “үр ашгаа удаан хадгалах” найрлагыг сонгох.
• Орлуулалтын хайлт: Фторполимергүй, эсвэл эрсдэл багатай орлуулах полимер/бүрэлдэхүүн олох хайлтыг хурдлуулах.

Уурхайн хувьд “eco” гэдэг нь зөвхөн имиж биш. Химийн бодисын сонголт нь нийлүүлэлтийн эрсдэл, экспортын стандарт, олон улсын түншүүдтэй гэрээний шаардлагад шууд нөлөөлнө.

Монголын уурхайд хаана, яаж хэрэгжүүлэх вэ? (Бодит хэрэглээний зураглал)

Шууд хэрэглэх хамгийн зөв арга: бүх объектод нэгэн зэрэг түрхэх биш, хамгийн их эрчим хүч иддэг ба халалтын эрсдэлтэй цэгүүдээс эхлэх.

Уурхайн “түргэн өгөөжтэй” 5 хэрэглээ

1. Контейнер оффис, ажилчдын байр, лаборатори
   • Дээвэр, гадна ханын бүрхүүл дээр төвлөрөх нь хурдан.
2. Засварын цех, агуулахын дээвэр
   • Том талбайтай тул гадаргуугийн шийдлийн ашиг их.
3. Удирдлагын өрөө, сервер/сүлжээний хэсэгтэй барилга
   • Хөргөлтийн тасалдал нь үйлдвэрлэлийн эрсдэлийг өсгөдөг.
4. Моторын удирдлагын шүүгээ, цахилгаан өрөөний гадна бүрхүүл
   • Дотоод температур буурвал тоног төхөөрөмжийн насжилт сайжирна.
5. Зам, талбайн халалттай хэсгүүд (сонгомол)
   • Асфальт/бетон дээрх өндөр температур орчны бичил уур амьсгалыг “шарах” үед хэрэглэж болно.

Энд AI-ийн үүрэг нь “хаана түрхэх вэ?” гэдэг шийдвэрийг датагаар гаргах.

• Дрон/дулааны камераар халалтын зураглал гаргана.
• Барилгын мэдээлэл, хэрэглээний горим, агааржуулалтын өгөгдөлтэй нийлүүлнэ.
• ML загвар ашиглаад “энэ дээврийг бүрхвэл хэдэн кВт·ц, хэдэн төгрөг хэмнэх вэ?” гэдгийг урьдчилан тооцно.

MIT Technology Review-д дурдсан туршилтуудаар зарим тохиолдолд AC эрчим хүч 15–20% буурсан үзүүлэлт гарсан. Уурхайн нөхцөл өөр ч гэсэн, энэ нь “таамаг” биш, эхний зорилтот хүрээ гэж авч үзэхэд болдог.

AI + үйл ажиллагааны өгөгдөл: будаг түрхэхээс илүү том боломж

Гол санаа: Сэрүүцүүлэх бүрхүүл бол нэг удаагийн төсөл биш, эрчим хүчний менежментийн системийн нэг бүрэлдэхүүн гэж харах ёстой.

1) Хэмжилтгүй бол хэмнэлт нь маргаан болж хувирна

Уурхайд шинэ шийдэл нэвтрүүлэхэд хамгийн түрүүнд тулгардаг зүйл бол “үнэхээр нэмэр болсон уу?” гэдэг асуулт. Тиймээс дараах хэмжилтийг анхнаасаа төлөвлө:

• дотор/гадна температур (цэгүүдээр),
• HVAC-ийн цахилгаан хэрэглээ,
• оргил ачааллын цагийн хэрэглээ,
• тухайн барилгын occupancy (ашиглалтын горим),
• гадаргуугийн ойлгогчийн өөрчлөлт (жил бүр).

AI нь энд өгөгдөл цэвэрлэх, аномали илрүүлэх, улирлын ба үйл ажиллагааны өөрчлөлтөөс ангид бодит нөлөөг ялгах (measurement & verification) ажлыг хийнэ.

2) “Хослол” хамгийн их үр ашиг өгдөг

Сэрүүцүүлэх бүрхүүл + AI-тай удирдлага нийлбэл:

• HVAC-ийн setpoint-ийг жижигээр өөрчлөх,
• сүүдрэвч/агаар сэлгэлттэй уялдуулах,
• оргил ачааллын үед load shifting хийх

зэрэг шийдлүүдийн үр дүн нэмэгддэг. Нэг үгээр хэлбэл: материал нь дулааны урсгалыг багасгана, AI нь үлдсэн дулааныг хамгийн хямдаар зохицуулна.

Худалдан авалт ба туршилтын зөв загвар: “pilot”-оо зөв хийх нь л гол

Шууд томоор авах хэрэггүй. Уурхайн орчинд бодит баталгаажуулалтгүйгээр стандарт болгох нь эрсдэлтэй.

90 хоногийн pilot төлөвлөгөө (уурхайд тохиромжтой)

1. Сонголт: Нэг ижил хийцтэй 2 барилга/контейнер сонго (А = бүрхүүлтэй, B = бүрхүүлгүй хяналт).
2. Суурь өгөгдөл: Дор хаяж 2–4 долоо хоногийн өмнөх температур, цахилгаан хэрэглээг хэмж.
3. Суурилуулалт: Дээвэр дээр эхэл. Гадаргуу бэлтгэл (цэвэрлэгээ, праймер) хамгийн чухал.
4. Хяналт: Тоосжилт, өнгөний өөрчлөлт, ойлгогч бууралттай холбоотой үзлэгийг тогтмолжуул.
5. AI шинжилгээ: Цаг агаар, occupancy, тоног төхөөрөмжийн горимын ялгааг засварласан бодит хэмнэлтийг гарга.
6. Шийдвэр: ROI, засвар үйлчилгээний хэрэгцээ, нийлүүлэлтийн эрсдэлийг хамтад нь дүгнэ.

Энд нэг “таалагддаггүй” үнэн бий: Хямд будаг түрхээд дуусна гэж бодвол ихэнх компани алдана. Гадаргуу бэлтгэл, чанарын хяналт, ашиглалтын хяналтгүй бол эхний жилдээ гайгүй харагдаад, дараа нь үр ашиг нь унадаг.

Уурхайд зориулсан асуулт-хариулт (түргэн ойлголт)

Radiative cooling дээвэр өвөл яах вэ?

Өвөл дулаан алдагдлыг нэмэгдүүлэх эрсдэл бий. Тиймээс Монголын нөхцөлд зөвхөн дээвэр/барилгын төрөл, ашиглалтын горим, дулаалга-тай хамт авч үзнэ. AI-тай эрчим хүчний загварчлал (building energy model) хийж улирлын нийт баланс гаргах нь зөв.

Тоос ихтэй уурхайд үр ашиг нь хурдан унах уу?

Тоос суух нь ойлгогчийг бууруулна. Гэхдээ энэ нь “болохгүй” гэсэн үг биш. цэвэрлэгээний давтамж, гадаргуугийн өөрөө цэвэрших шинж, бүрхүүлийн хамгаалалтын давхарга зэрэгтэй хамт сонговол уурхайд зохицно.

Химийн эрсдэл (forever chemicals) хэр бодит вэ?

Бодит. Ялангуяа урт хугацааны масштабаар авч үзвэл. Тиймээс худалдан авалтад:

• материалын найрлагын ил тод байдал,
• хаягдал/засварын үеийн менежмент,
• орлуулах боломж

зэрэг шалгуурыг оруулах хэрэгтэй.

Дараагийн алхам: Монголын уурхайд “сэрүүцүүлэх материал + AI” юуг өөрчилж чадах вэ?

Сэрүүцүүлэх будаг, бүрхүүл, кино материалууд нь агааржуулалтыг орлох гэж байгаа зүйл биш. Харин AC-д найдах хэрэгцээг бууруулж, оргил ачааллыг багасгаж, ажилчдын тав тух ба аюулгүй байдлыг бодитоор дэмжинэ. Үүн дээр AI нэмэгдэхээр “аль барилга дээр”, “ямар найрлагаар”, “хэзээ цэвэрлэх/засварлах вэ” гэдэг шийдвэрүүд зөн совин биш, өгөгдөл дээр суурилна.

Манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын өнцгөөс харахад энэ кейс нэг зүйлийг сануулж байна: AI зөвхөн программ биш, бодит материал, бодит дэд бүтцийн шийдвэрийг хурдлуулдаг хөдөлгүүр.

Та өөрийн уурхайд хамгийн түрүүнд аль объект дээр дулааны зураглал хийлгэмээр байна: ажилчдын байр уу, засварын цех үү, эсвэл удирдлагын барилга уу?