AI-тай газар доорх уурхай: Монголд хэрэгжүүлэх нь

Kathleen Valley дээр нэг зүйл тодорхой харагдлаа: том уурхай “ил уурхайгаас газар доорх” руу шилжих үед хамгийн үнэтэй нөөц нь хүдэр биш — тасралтгүй ажиллагаа байдаг. Liontown Resources 2025 оны сүүлээр Kathleen Valley литийн уурхайдаа гурван жилийн ил олборлолтоо төлөвлөсний дагуу дуусгаж, бүрэн газар доорх олборлолт руу орлоо. Сүүлчийн автомашин “Kathleen’s Corner” ил уурхайгаас гарч, уурхайн эрсдэл, логистик, тоног төхөөрөмжийн стратеги бүтнээрээ өөр тоглоом болж эхэлсэн гэсэн үг.

Манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд энэ мэдээ яагаад үнэ цэнтэй вэ? Учир нь Монголд газар доорх олборлолт нэмэгдэхийн хэрээр (алт, зэс, нүүрс, мөн ирээдүйн чухал ашигт малтмал) аюулгүй байдал + бүтээмж + өртгийн хяналт гэсэн гурвалжин дээрх дарамт улам өснө. Тэр гурвын уулзвар дээр хамгийн бодитой ажилладаг шийдэл нь AI (хиймэл оюун ухаан) + автоматжуулалт + өгөгдөлд суурилсан удирдлага юм.

Доор би Liontown-ийн шилжилтээс авах сургамжуудыг Монголын нөхцөлд хөрвүүлж, газар доорх уурхайн AI ашиглалтын хамгийн хэрэгтэй 6 кейс, хэрэгжүүлэх дараалал, мөн “амжилттай болдог” хэмжүүрүүдийг нэг дор тайлбарлая.

Liontown яагаад ил уурхайгаа “цэвэрхэн” хаав?

Liontown-ийн хэлсэн хамгийн чухал санаа бол ил олборлолтоо төлөвлөгөөний дагуу хугацаанд нь дуусгасан явдал. Энэ “цагтаа дуусгалаа” гэдэг өгүүлбэрийг зүгээр PR гэж харах амархан. Гэхдээ бодит амьдрал дээр энэ нь гурван том үр дагавартай:

1. Процессын үйлдвэрийг тэжээсэн: Ил уурхайгаас гарсан хүдэр нь үйлдвэрийн ашиглалт эхлүүлэх, ачаалал нэмэх үеийн эрсдэлийг бууруулсан.
2. Дэд бүтцийг босгосон: Хаягдал чулуулгийг ROM талбай, хаягдлын байгууламж зэрэгт ашиглаж, хөрөнгө оруулалтын үр ашгийг нэмсэн.
3. Нөөцийн “амьсгаа” үүсгэсэн: Сүүлийн 6 сард олборлолтын зорилтоо давуулж, “цэвэр хүдэр”-ийн стратегийн овоолго үүсгэснээр газар доорх олборлолт өсөх хугацаанд үйлдвэрийн тэжээл 2026–27 он хүртэл тогтвортой байх хамгаалалттай болсон.

Эндээс гарах нэг өгүүлбэрийн дүгнэлт: Газар доорх уурхай руу шилжих хамгийн зөв арга бол “үйлдвэрийг өлсгөхгүй” шилжилт хийх. AI яг үүнийг системийн түвшинд баталгаажуулдаг.

Газар доорх уурхайд AI хэрэгтэй болдог бодит шалтгаан

Газар доорх олборлолт нь ил уурхайтай харьцуулахад “илүү нарийн” биш — илүү багтаамжтай өгөгдөл, илүү хурдан шийдвэр шаарддаг. Ганц буруу шийдвэр нь нэг ээлжийн үйлдвэрлэлээс илүүг алдана: агааржуулалт, тээвэрлэлтийн бөглөрөл, тоног төхөөрөмжийн эвдрэл, аюулгүй ажиллагааны эрсдэл зэрэг нь давхар цохилт өгдөг.

Монголын уурхайнуудын бодит сорилтуудтай шууд тулгая:

• Алслагдсан байрлал + урт нийлүүлэлтийн гинжин хэлхээ → сэлбэг, түлш, хүн хүчний төлөвлөлтийн алдаа өндөр өртөгтэй.
• Хүйтэн улирал (12–3 сар) → дизель, гидравлик, батерей, зам талбай, дулаан хангамжийн эвдрэл нэмэгддэг.
• Хүний нөөцийн эргэлт → туршлагатай оператор, засварчдын мэдлэг тасалдах эрсдэл.

AI нь эдгээрийг “гоё” болгож биш, тоогоор хянагддаг болгох гэж хэрэгтэй.

AI-гаар газар доорх уурхайг оновчлох 6 өндөр өгөөжтэй кейс

1) Аюулгүй ажиллагааны AI хяналт: “хараагүй эрсдэлийг” харуулна

Газар доорх уурхайд хамгийн үнэ цэнтэй зүйл бол урьдчилан сэрэмжлүүлэлт. AI нь камер, зөөврийн төхөөрөмж, дуут мэдрэгч, хий хэмжигч, байрлал тогтоогч зэрэг урсгал өгөгдлөөс хэвийн бус хэв маягийг илрүүлж чадна.

Бодит хэрэглээнүүд:

• PPE (каск, хантааз) зөрчлийг автомат таних
• Ачаа тээврийн бүсэд хүн/техник ойртолтын эрсдэл илрүүлэх
• Хий, тоосжилтын өсөлт, температурын өөрчлөлтийн трендээс “эрт” дохио гаргах

Миний байр суурь: Монголд AI-ийн хамгийн хурдан ROI (үр ашиг) ихэвчлэн үйлдвэрлэлээсээ өмнө аюулгүй ажиллагаанаас гардаг. Учир нь ослын эрсдэл буурах тусам төлөвлөгдөөгүй зогсолт, мөрдөн шалгалт, ажиллах хүчний тасалдал шууд багасна.

2) Ventilation-on-Demand (VoD): Агааржуулалтаа “ухаалаг” төлбөр болго

Газар доорх уурхайн цахилгаан, түлшний зардлын том хэсэг нь агааржуулалт байдаг. AI/аналитик ашиглаад агааржуулалтыг “байнга хамгийн ихээр” биш, хэрэгцээтэй үед хэрэгцээтэй бүсэд өгч болно.

• Техник, хүн хаана байна?
• Ямар хий/тоос илэрч байна?
• Аль хэсэгт ажлын ачаалал өсөж байна?

Энэ гурвыг нийлүүлээд VoD удирдлагын загвар ажиллана. Монголд эрчим хүчний үнэ, дизелийн зардал, нүүрстөрөгчийн тайлагнал зэрэг шахалт нэмэгдэж буй үед VoD бол зөвхөн технологи биш — өртгийн бодлого.

3) Predictive maintenance: Эвдрэл болохоос өмнө засварын ээлж гарга

Liontown шиг газар доорх олборлолт руу шилжихэд “тоног төхөөрөмжийн бэлэн байдал” хамгийн том асуудал болдог. AI нь чичиргээ, тосны шинжилгээ, температур, даралт, алдааны код, операторын хэв маяг зэрэг өгөгдлөөр эвдрэл магадлалыг тооцоолж, засварын ажлыг төлөвлөгдсөн зогсолт руу шилжүүлдэг.

Монголын нөхцөлд нэг нэмэлт давуу тал бий: сэлбэгийн урт хугацааны захиалга (lead time) өндөр. Тиймээс AI зөвхөн эвдрэлээс хамгаалах биш, агуулахын бодлого (ямар сэлбэгийг хэдийг нөөцлөх вэ?) руу орж чадна.

4) Тээвэрлэлтийн оновчлол: Бөглөрөл бол “далд” алдагдал

Газар доорх уурхайд LHD, truck, conveyor, crusher-ийн урсгал нэг гинжин хэлхээ. Нэг цэг дээрх бөглөрөл бүх системийг удаашруулна.

AI/симуляци ашиглаад:

• чиглэлийн төлөвлөлт
• замын түгжрэл
• ачих/буулгах цикл
• ээлжийн хүний хуваарь

гэсэн хүчин зүйлсийг нэгтгэн тонн/цаг болон тонн/литр үзүүлэлтүүдийг сайжруулдаг.

5) Ore control + grade forecasting: Үйлдвэрийн тэжээл тогтвортой байвал ашиг нэмэгдэнэ

Liontown ил уурхайгаасаа “цэвэр хүдэр”-ийн овоолго бэлдэж, үйлдвэрийн тэжээлийн эрсдэлийг бууруулсан. Монголын уурхайнууд үүнийг AI-гаар дараах байдлаар ахиулж болно:

• Геологийн загвар + олборлолтын өгөгдлөөр богино хугацааны агууламжийн таамаг гаргах
• Blend (холилт)-ийн төлөвлөлтийг автомат санал болгох
• Хүдэр-хаягдлын зааг дээрх алдааг бууруулах

Эцсийн зорилго энгийн: үйлдвэрийн тогтвортой тэжээл = сэргэлт өндөр = нэгж өртөг буурна.

6) Remote operations: Алслагдсан байршлын “хүний” асуудлыг багасгана

Өндөр ур чадвартай оператор, инженерүүдийг Улаанбаатар дахь төвөөс дэмжих, зарим ажлыг хэсэгчлэн алсаас удирдах боломж Монголд бодит хэрэгцээтэй.

• Видео/сенсорын өгөгдлөөр алсын оношилгоо
• Операторын туслах систем (operator assist)
• Ээлжийн шийдвэр гаргалтын зөвлөмж (shift intelligence)

Энэ нь ажлын байр “алга болгоно” гэсэн айдас дагуулдаг. Гэхдээ бодит байдал дээр хамгийн их өөрчлөгдөх нь ажлын агуулга: илүү хяналт, төлөвлөлт, чанарын шалгалт руу шилжинэ.

Монголд хэрэгжүүлэх 90 хоногийн бодит эхлэл (том төсөлгүйгээр)

Олон компани AI ярьсаар байгаад “мега платформ” авсаар, дараа нь өгөгдөл нь бэлэн биш учраас үр дүнгүй дуусгадаг. Би үүнийг хамгийн их хардаг.

90 хоногийн зөв дараалал:

1. 1–2 долоо хоног: 1 үйлдвэрлэлийн асуудал сонго (жишээ нь: LHD бэлэн байдал, эсвэл агааржуулалтын цахилгаан)
2. 2–4 долоо хоног: Өгөгдлийн зураглал гарга (ямар мэдрэгч, ямар систем, ямар давтамж)
3. 5–8 долоо хоног: Нэг загвар турш (anomaly detection эсвэл эвдрэл таамаг)
4. 9–12 долоо хоног: KPI-д холбож, шийдвэрийн урсгалд оруул (хэн юу хийх вэ?)

Хамгийн чухал дүрэм: “AI-ийн демо” биш, “ажлын урсгалын өөрчлөлт” хийх.

Ямар KPI-ээр AI-ийн үр ашгийг хэмжих вэ?

AI нэвтрүүлэлт амжилттай эсэхийг “гоё dashboard” биш, дараах тоонууд хэлнэ:

• Төлөвлөгдөөгүй зогсолтын цаг (сар/улирлаар)
• Тоног төхөөрөмжийн бэлэн байдал (%)
• Нэгж өртөг (тонн тутам)
• Агааржуулалтын эрчим хүчний хэрэглээ (кВт.ц/тонн)
• Ослын тоо, near-miss (100,000 хүн-цаг тутам)
• Үйлдвэрийн тэжээлийн хэлбэлзэл (агууламжийн стандарт хазайлт)

Эдгээрийн 2–3 дээр нь тогтвортой сайжруулалт гарвал AI бодит ажил болж байна гэсэн үг.

Liontown-ийн шилжилтээс Монголд авах хамгийн бодит сургамж

Liontown ил уурхайгаа хаахдаа зөвхөн олборлолтыг дуусгаагүй. Газар доорх уурхайн өсөлтийг тэжээх хамгаалалт (stockpile, дэд бүтэц, төлөвлөгөө) бэлдсэн. Монголд ч мөн адил: газар доорх олборлолт руу орж байгаа компаниуд AI-г “дараа нь” гэж хойшлуулах тусам эхний 12–18 сард өгөгдөлгүй шийдвэр олширч, өртөг хурдан өсдөг.

Би нэг зүйлийг ил хэлмээр байна: Газар доорх уурхайд AI бол нэмэлт биш, менежментийн үндсэн хэрэгсэл. Ялангуяа аюулгүй ажиллагаа, тоног төхөөрөмж, агааржуулалт, хүдэр тээвэрлэлт дөрөв дээр.

Дараагийн алхам юу вэ? Танай уурхайд газар доорх олборлолт эхэлж байгаа (эсвэл тэлж байгаа) бол хамгийн түрүүнд нэг хэсгийг сонгоод 90 хоногийн pilot хий. Дараа нь амжилттай KPI-гаа үндэслээд системээ тэл.

Эцэст нь бодох асуулт: танай уурхайн хамгийн үнэтэй “далд” алдагдал хаана байна — агааржуулалт уу, тээвэр үү, эсвэл төлөвлөгдөөгүй зогсолт уу? Тэр цэг дээр AI хамгийн түрүүнд ажиллах ёстой.