AI-тайгаар ил уурхайгаас далд уурхай руу шилжих эрсдэлийг багасгах нь

Ил уурхайн “сүүлийн ачилт” бол зүгээр нэг бэлгэдэл биш. Энэ бол өгөгдлийн бүтэц, тоног төхөөрөмжийн парк, ажиллах хүчний ур чадвар, аюулгүй ажиллагааны дүрэм, зардлын загвар гээд бүх зүйл өөрчлөгдөхийн дохио. Австралийн Баруун Австрали дахь Liontown компанийн Kathleen Valley лити уурхайн жишээ үүнийг тод харууллаа: компани 3 жилийн ил уурхайн олборлолтоо дуусгаж, бүрэн далд уурхай руу шилжлээ. Ил уурхай нь баяжуулах үйлдвэрийн ашиглалтад оруулалт, тэжээлтийн тогтвортой байдал, дэд бүтцийн суурийг тавихад чухал үүрэг гүйцэтгэсэн. Харин дараагийн шат нь илүү “нарийн” тоглолт.

Энэ нийтлэл манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд бичигдэж байна. Гол санаа энгийн: далд уурхайд шилжих нь технологийн асуудал биш, шийдвэр гаргалтын асуудал. Тэгээд тэр шийдвэрүүдийг илүү хурдан, илүү үндэслэлтэй болгоход хиймэл оюун ухаан (AI) яг тохирно.

Шилжилт амжилттай болох эсэхийг “ямар тоног төхөөрөмж авсан”-аас илүү “өгөгдөл дээр тулгуурласан төлөвлөлт хийсэн эсэх” шийддэг.

Kathleen Valley-ийн шилжилт яагаад анхаарах кейс вэ?

Liontown-ийн мэдэгдлээр Kathleen Valley уурхай ил уурхайг төлөвлөсөн хугацаандаа хааж, “Kathleen’s Corner” ил уурхайн сүүлийн ачилтыг гаргасан. Ил уурхайн хүдэр нь үйлдвэрийг ашиглалтад оруулах, хүчин чадлыг өсгөх үед тэжээл өгч, харин хаягдал чулуу нь ROM талбай болон хаягдлын сан зэрэг гол дэд бүтцийг байгуулахад ашиглагдсан.

Шилжилтийн бас нэг хүчтэй тактик нь: ил уурхайн сүүлийн 6 сард нөхөн авалтын зорилтоо давуулж, улмаар цэвэр хүдрийн стратегийн нөөц бүрдүүлсэн. Энэ нь далд уурхай хүч нэмэх “эмзэг үе”-д үйлдвэр зогсолтгүй ажиллах боломжийг нэмэгдүүлдэг.

Эндээс хоёр сургамж гарна:

• Ил уурхайг зөвхөн олборлолт гэж харахгүй: далд уурхайн “бэлтгэл” үеийн буфер, нөөц, дэд бүтэц гэж харах хэрэгтэй.
• Далд уурхай бол уян хатан үйлдвэрлэл: Liontown-ийн хэлснээр зах зээлийн эрэлтэд нийцүүлэн олборлолтоо өсгөх уян хатан байдал хадгалагдана.

Монголын уурхайнууд (алт, зэс-молибден, нүүрс, жонш, литийн хайгуулын төслүүд) ирэх жилүүдэд гүн рүү шилжих, эсвэл холимог арга (open pit + underground) сонгох тохиолдол нэмэгдэнэ. Тэр үед хамгийн их шаардлагатай зүйл нь эрсдэлийг хэмжиж, үйлдвэрлэлийн гогцоог урьдчилан “симуляцлах” чадвар.

Далд уурхайд шилжихэд AI хаана хамгийн их үнэ цэн өгдөг вэ?

AI-ийн бодит үнэ цэнэ нь “робот” биш. Төлөвлөлтийн тодорхойгүй байдлыг багасгах явдал.

1) Эрсдэлийн зураглал: геотехник, агааржуулалт, ус

Далд уурхайд эрсдэлийн төв нь гадарга биш, чулуулгийн зан чанар байдаг. AI-тай аналитик нь олон төрлийн өгөгдлийг нэгтгээд эрсдэлийг урьдчилан таамаглах боломж өгдөг:

• Геологийн загвар, өрөмдлөгийн лог, лабораторийн шинжилгээ
• Микросейсмик, деформацийн мэдрэгч, газар доорх зураглал
• Агааржуулалтын урсгал, дизель тоноглолын ялгаруулалт, дулааны ачаалал
• Усны түрэлт, нэвчилт, насосны горим

Практик дээр “AI” гэдэг нь ихэвчлэн дараах хоёр зүйл:

1. Anomaly detection: хэвийн бус чичиргээ, хийн түвшин, деформацийн өөрчлөлтийг эрт илрүүлэх
2. Forecasting: тухайн нөхцөл үргэлжилбэл 24–72 цагт ямар эрсдэл үүсэхийг тооцоолох

Монголын нөхцөлд (өвлийн -30°C, холын зай, цахилгааны найдвартай байдал, хүний нөөцийн эргэлт) “эрт сэрэмжлүүлэг” систем аюулгүй ажиллагааны KPI-г хамгаалахаас гадна зогсолтын зардлыг бодитоор бууруулдаг.

2) Тоног төхөөрөмжийн төлөвлөлт: парк, цикл, засвар

Ил уурхайгаас далд уурхай руу шилжихэд парк огт өөр болно: LHD, jumbo drill, bolter, underground truck, shotcrete, ventilation-on-demand гэх мэт. Энд AI хоёр гол асуудлыг шийднэ.

Нэгдүгээрт — паркын хэмжээ ба нийлүүлэлтийн логик

• Хэт олон машин авбал ашиглалтын хувь унаж, капитал царцана
• Хэт цөөн авбал хөгжүүлэлт удааширч, тээрэм тэжээлгүйднэ

AI-тай симуляц (discrete-event simulation) ашиглаад:

• Нэвтрэлт/малталтын ахиц
• Тээврийн цикл хугацаа
• Эвдрэл, засварын магадлал
• Ээлжийн хүн хүч, түгжрэл

гэсэн параметрүүдийг нэг загварт оруулж “хаана bottleneck үүсэх вэ?”-г тод харуулж чадна.

Хоёрдугаарт — урьдчилан засвар үйлчилгээ Далд уурхайд эвдрэл бол зөвхөн засварын зардал биш; аялал, сэлбэг, агааржуулалт, зам бөглөрөл гээд гинжин нөлөөтэй. Мэдрэгчийн өгөгдөл дээр суурилсан predictive maintenance нь:

• Тоноглолын төлөвийг оношлох
• Эвдрэл болохоос өмнө засварын цонх гаргах
• Сэлбэгийн нөөцийг зөв тооцох

гэдгийг боломжтой болгодог.

3) Аюулгүй ажиллагаа: зан үйл, бүсчлэл, бодит цагийн хяналт

Далд уурхайд аюулгүй ажиллагаа “журам” гэхээс илүү системийн дизайн байдаг. AI энэ хэсэгт ялангуяа хүчтэй.

• Камер + компьютер хараа: хүн/машины ойртолт, PPE зөрчил, хориглосон бүсийн нэвтрэлт
• Байршлын систем (RTLS): хөдөлгөөнт тоноглолын замын мөргөлдөх эрсдэлийг бууруулах
• Инцидентын өгөгдөл: ямар үйлдэл, ямар бүс, ямар цагт эрсдэл өсдөгийг загварчлах

Миний ажигласнаар олон уурхай “AI safety” гэдгийг зөвхөн камер гэж ойлгодог. Бодит хэрэгжилт нь: эрсдэлийн дүрэм (rules) + өгөгдлийн загвар (model) + үйл ажиллагааны сахилга (process) гурав нийлж байж үр дүн гардаг.

Ил уурхайг “өгөгдлийн хөрөнгө” болгох нь: Liontown-ийн хамгийн ухаалаг алхам

Liontown-ийн ил уурхай зөвхөн хүдэр олборлоод зогсохгүй:

• Үйлдвэрийг комиссион хийх үед тэжээл өгсөн
• Дэд бүтцийг байгуулах материалын эх үүсвэр болсон
• Стратегийн хүдрийн нөөцөөр дамжуулж далд уурхайн ramp-up үеийн эрсдэлийг бууруулсан

Энэ логикийг Монголын төсөл дээр хөрвүүлбэл:

• Ил уурхайгаас өгөгдлийн стандарт үүсгэх (grade control, recovery, dilution, cycle time)
• Далд уурхайн эхний 6–18 сард шаардлагатай feed security-г тооцоолж stockpile стратеги гаргах
• Хөгжүүлэлтийн хурд, хүдрийн чанарын хэлбэлзэл, зах зээлийн үнэ зэрэг хүчин зүйлд суурилсан сценарийн төлөвлөлт хийх

AI-ийн хамгийн бодит хэрэглээ бол энд: сценари бүрийн мөнгөн урсгал, эрсдэл, үйлдвэрлэлийн тогтвортой байдлыг зэрэг харьцуулах.

“Монголд хэрэгжүүлэх бол хаанаас эхлэх вэ?” — 90 хоногийн бодит roadmap

AI нэвтрүүлэхэд хамгийн том алдаа нь “том систем” мөрөөдөөд 12 сар алддаг. Далд уурхайн шилжилтийн үед хурдан хэрэг болох алхмууд хэрэгтэй.

1–30 хоног: Өгөгдлийн суурь цэвэрлэгээ

• Ямар өгөгдөл байна вэ? (техникийн үзүүлэлт, засвар, аюулгүй байдал, геологи)
• Нэгжүүд, цагийн бүс, давхардлыг цэгцлэх
• KPI-ийн тодорхойлолтыг нэг мөр болгох (availability, utilisation, delay гэх мэт)

31–60 хоног: Нэг “өндөр өгөөжтэй” use case сонгох

Дараах 3-аас нэгийг нь сонгоод 8–10 долоо хоногт пилот хий:

1. Тоноглолын эвдрэл таамаглал (LHD/underground truck)
2. Агааржуулалтын demand forecasting (эрчим хүчний зардал дээр мэдэгдэхүйц нөлөөтэй)
3. Тээврийн цикл ба bottleneck симуляц

61–90 хоног: Үйл ажиллагаанд суулгах

• Диспетчер, засвар, HSE багийн өдөр тутмын шийдвэрт ашигладаг болгох
• “Model-ийн зөвлөгөө”-г SOP-д холбох (жишээ нь, засварын цонх, сэлбэг захиалга)
• KPI: зогсолтын минут, засварын урьдчилсан илрүүлэлт, near-miss бууралт гэх мэтээр хэмжих

AI төсөл амжилттай эсэхийг “загварын нарийвчлал”-аар биш, “шийдвэр гаргалт өөрчлөгдсөн үү?” гэдгээр хэмж.

Түгээмэл асуултууд (богино, шууд хариулт)

Далд уурхайд AI хэрэгжүүлэхэд хамгийн түрүүнд ямар өгөгдөл шаардлагатай вэ?

Тоног төхөөрөмжийн telemetry + засварын түүх + үйлдвэрлэлийн диспетчерийн лог гурав байхад эхний үр дүн гарна. Геотехникийн өгөгдөл бол дараагийн шат.

AI ажиллахын тулд бүрэн автоматжуулалт заавал хэрэгтэй юу?

Үгүй. AI хамгийн түрүүнд төлөвлөлт, засвар, аюулгүй байдлын эрсдэлийн удирдлага дээр үнэ цэн өгдөг.

Монголын уурхайнуудын хамгийн том саад юу вэ?

Технологи биш. өгөгдлийн сахилга, эзэмшигчийн тодорхойлолт, процессын тогтвортой байдал.

Далд уурхай руу шилжих бол “AI-гүйгээр төлөвлөх” нь хэт үнэтэй сонголт

Liontown-ийн Kathleen Valley-ийн шилжилт нэг зүйлийг сануулж байна: ил уурхайгаас далд уурхай руу орох үед тэжээлтийн тогтвортой байдал болон эрсдэлийн удирдлага хамгийн түрүүнд яригдана. Энэ бол Монголын уул уурхайд ч яг адилхан.

Хэрвээ танай уурхай 2026 онд далд уурхайн хөгжүүлэлтээ эрчимжүүлэх, эсвэл холимог аргаар олборлолтоо төлөвлөж байгаа бол AI-г “дараа нь” гэж хойшлуулах хэрэггүй. Төлөвлөлт, паркын хэмжээ, засварын горим, аюулгүй ажиллагааны эрт сэрэмжлүүлэг дээр AI орж ирэхэд шилжилтийн өртөг илүү хяналттай болдог.

Дараагийн нийтлэлүүдээр бид Монголын нөхцөлд:

• далд уурхайн RTLS ба камерын аналитикийг хэрхэн зөв KPI-тай уях,
• агааржуулалтын эрчим хүчний зардлыг өгөгдлөөр яаж барих,
• геологийн тодорхойгүй байдлыг AI-аар яаж багасгах

гэсэн сэдвүүдийг задлана.

Таны уурхай “далд уурхай руу шилжилт”-ийн аль үе дээр явж байна: төлөвлөлт үү, хөгжүүлэлт үү, эсвэл ramp-up уу?