БАЯЖУУЛАЛТЫН ОН ЦАГИЙН ХЭЛХЭЭС

Эрдэс баяжуулалт · он цагийн түүх

Гар аргаас колонон флотаци хүртэл

Хүдрийг бутлах, нунтаглах, ашигт эрдсийг ялгах арга эртний Египетээс өнөөг хүртэл хэрхэн хөгжсөнийг он дарааллаар харуулав. Ангиллаар шүүж, үйл явдал бүрийн дэлгэрэнгүйг нээж уншина уу.

Эх сурвалж: F. Habashi, A short history of mineral processing, Proceedings of the XXIII International Mineral Processing Congress, Istanbul, 2006, pp. 3–8. Агуулгыг монгол хэлээр товчлон, өөрийн үгээр тайлбарлав.

Тасархай хүрээтэй картууд нь өгүүлэлд дурдагдаагүй, бутлалт-нунтаглалтын онолын нэмэлт мэдээлэл.

ГЭНДЭЭХҮҮГИЙН ДАВААЦЭРЭН

Ашигт малтмалын баяжуулалтын инженер (M.Sc)

Хүдэр бэлтгэл · Баяжуулах процессын загварчлал · 40 гаруй жилийн туршлага

✉ gedavaa@gmail.com 📝 Блог: gedavaa.blogspot.com ▶ YouTube: youtube.com/@gedavaa

ХУВИЙН МЭДЭЭЛЭЛ

Төрсөн	1958 оны 9-р сарын 13, Хөвсгөл аймгийн Чандмань-Өндөр сум
Мэргэжил	Ашигт малтмалын баяжуулалтын инженер (M.Sc)
Хэлний мэдлэг	Монгол (төрөлх), орос, англи (чөлөөтэй)

ТОВЧ ТАНИЛЦУУЛГА

Уул уурхайн салбарт 40 гаруй жил ажилласан баяжуулагч инженер. Эрдэнэт үйлдвэрт 20 жил, «Монголын Алт» (МАК) компанид 22 жил судалгаа, технологийн удирдах албан тушаал хашсан.

Хүдэр бэлтгэл (бутлалт, нунтаглалт, ангилал), өөрөө болон хагас өөрөө нунтаглах технологи, зэс-молибдены хүдрийн ба нүүрсний баяжуулалтаар мэргэшсэн. Эрдэнэт үйлдвэрт өөрөө нунтаглах технологийг анхлан нэвтрүүлэх ажлын багт ажилласан.

Гадаад, дотоодын сэтгүүлд 70 гаруй бүтээл нийтлүүлсэн. Одоо METSIM, Python ашиглан баяжуулах процессыг загварчилж, залуу инженерүүдэд лекц уншиж байна.

АЖЛЫН ТУРШЛАГА

2024 – одоо

Бие даан

Зөвлөх инженер, багш

• METSIM, Python ашиглан баяжуулах процессын загварчлал хийж байна
• Мэргэжил дээшлүүлэх инженер залуучуудад лекц уншиж байна

2002 – 2024

«Монголын Алт» (МАК)

Судалгааны группын дарга → Судалгаа эрхэлсэн дэд ерөнхийлөгч → Ерөнхий баяжуулагч

• Цагаансуваргын зэс-молибдены ордыг үйлдвэрлэлд бэлтгэх иж бүрэн судалгааг удирдсан
• Компанийн хэд хэдэн ордод нүүрс баяжуулах үйлдвэрийн төслийг хэрэгжүүлсэн

1982 – 2002

Эрдэнэт үйлдвэр

Бутлуурчин, мастер → Шинжилгээний төв лабораторийн судлаач-инженер, судалгааны хэсгийн дарга → Хөгжлийн хэлтсийн (R&D) ерөнхий мэргэжилтэн

• Хүдэр бэлтгэлийн циклийн судалгаа, тохируулгын ажлыг гүйцэтгэсэн
• Өөрөө болон хагас өөрөө нунтаглалтын технологийн судалгаа хийсэн

ГОЛ АМЖИЛТ

Эрдэнэт үйлдвэр

• 1989 он — хамт олонтойгоо Баяжуулах фабрикт өөрөө нунтаглах технологийг анхлан нэвтрүүлэх үйлдвэрийн туршилт, судалгааг иж бүрэн гүйцэтгэсэн
• Хагас өөрөө нунтаглалт — технологийг нэвтрүүлж, МШЦ-5500×6500 бөмбөлөгт тээрмийн нунтаглалтыг эрчимжүүлэх судалгаа хийсэн
• Шинэ бүтээл — 2 шинэ бүтээл, оновчтой саналуудыг үйлдвэрт нэвтрүүлсэн

«Монголын Алт» (МАК)

• Цагаансуварга — зэс-молибдены ордыг үйлдвэрлэлд бэлтгэх иж бүрэн судалгааг удирдан зохион байгуулсан (сульфидийн хүдрийн туршилт, исэлдсэн хүдрийн SX/EW технологийн сонголт)
• Элдэв — нүүрсний уурхайд FGX-12 хуурай баяжуулалтын иж бүрэн төхөөрөмжийг нэвтрүүлсэн (2007–2008)
• Хүнд орчин — Монголын анхны хүнд орчны гидроциклонтой (3 бүтээгдэхүүнтэй) модулийн нүүрс баяжуулах үйлдвэрийг хэрэгжүүлсэн
• Нарийнсухайт — олон үет давхаргын нүүрсний баяжигдах чанар, хуурай AllAir технологийн хагас үйлдвэрийн туршилтыг удирдсан
• Бумбат — баяжуулах фабрикийн технологийн шинэчлэлтэд оролцсон (2004)

Олон улсын түвшинд

• Олон улсын нүүрс баяжуулалтын конгресс — улсаа төлөөлж илтгэл тавьсан: 2013 Истанбул (Турк), 2016 Санкт-Петербург (ОХУ)

БОЛОВСРОЛ

1982

Донецкийн Политехникийн дээд сургууль (тухайн үеийн ЗХУ)

Ашигт малтмалын баяжуулагч инженер (M.Sc)

МЭРГЭЖЛИЙН УР ЧАДВАР

Хүдэр бэлтгэл	Бутлалт, нунтаглалт, гидроциклоны ангилал; AG/SAG болон бөмбөлөгт тээрмийн сонголт, тооцоо (Bond, Morrell, Rowland)
Баяжуулалт	Зэс-молибдены хүдрийн флотаци; нүүрсний баяжигдах чанар (хөвөлт-суулт), хүнд орчин, хуурай баяжуулалт; SX/EW
Загварчлал, тооцоо	Материалын баланс, өгөгдлийн тохируулга (data reconciliation), процессын имитацийн загварчлал, машин сургалт
Төсөл, эдийн засаг	Баяжуулах үйлдвэрийн төсөл зохиомж, ордын санхүү-эдийн засгийн үнэлгээ, захын агуулга
Программ хангамж	METSIM, Python

ЭРДЭМ ШИНЖИЛГЭЭНИЙ БҮТЭЭЛ

1987–2022 онд «Обогащение руд», «Горный журнал», «Уул уурхай», «Баяжуулагч» сэтгүүлүүд болон Олон улсын нүүрс баяжуулалтын конгрессийн жилгээр 70 бүтээл нийтлүүлсэн.

70нийт бүтээл

45монгол хэлээр

21орос хэлээр

4англи хэлээр

Хугацаа	Бүтээл	Гол сэдэв
2021–2022	5	Нүүрс баяжуулалтын чиг хандлага, хиймэл оюун, машин сургалт
2010–2020	21	Нарийнсухайтын нүүрс, хуурай ба хүнд орчны баяжуулалт, SX/EW, балансын тохируулга
2000–2009	32	Хагас өөрөө нунтаглалт, Цагаансуварга, ордын эдийн засгийн үнэлгээ
1987–1999	12	Гидроциклон, өөрөө нунтаглалт, Эрдэнэтийн хүдэр бэлтгэл

Сонгомол бүтээлүүд

1. G.Davaatseren, M.Bazarragchaa, Ts.Tsegmid. Mongolia's first gravity fed 3-product heavy medium cyclone coal washing plant. XIX International Coal Preparation Congress, Vol. 1, p. 70.
2. Gendeekhuu Davaatseren, Magsar Bazarragchaa. Dry AllAir Pilot Plant Test results on Naryn Sukhait's Multilayer Coal. International Coal Preparation Congress, 2016, Saint Petersburg.
3. G.Davaatseren, H.Wittmers, M.Bazarragchaa. Past, Present Situation and Future Development of Coal Processing Industry in Mongolia. XVII International Coal Preparation Congress, 2013, Istanbul.
4. Г.Даваацэрэн. Эрдэс боловсруулалтын судалгаанд математик-загварчлал, хиймэл оюун ба машин сургалтын аргуудыг хэрэглэх нь. Баяжуулагч, 2022, №10, х. 22.
5. Г.Даваацэрэн, С.Хандмаа, Ж.Дэлгэрцэцэг. Цагаансуваргын исэлдсэн хүдрийг боловсруулах SX/EW төслийн технологийн сонголт. Эрдэс боловсруулалт-2014, Улаанбаатар.
6. Г.Цогт, Г.Даваацэрэн, Б.Баттулга, Б.Амартүвшин. Элдэвийн уурхайд хуурай баяжуулалтын FGX-12 иж бүрэн төхөөрөмж нэвтрүүлсэн тухай. Уул уурхай, 2008, №4.
7. Ш.Гэзэгт, С.Давааням, Ж.Баатархуу, Г.Даваацэрэн, А.В.Бортников, В.А.Никитин. Внедрение технологии полусамоизмельчения на СП «Эрдэнэт». Обогащение руд, 1998, №3, с. 15–21.
8. Ж.Баатархуу, А.В.Бортников, Г.Даваацэрэн и др. Интенсификация процесса рудоподготовки с использованием мельниц мокрого самоизмельчения. Горный журнал, 1998, №2, с. 51–54.
9. Ц.Эрдэнэжав, Г.Даваацэрэн. Некоторые результаты исследования гидроциклонов в цикле рудного измельчения. Эрдэм шинжилгээний бичиг, 1989, №1(9), с. 68–77.

Бүтээлийн бүрэн жагсаалтыг хүсэлтээр илгээнэ.

БАГШЛАХ БА МЭДЛЭГ ТҮГЭЭХ ҮЙЛ АЖИЛЛАГАА

• Ш.Отгонбилэгийн нэрэмжит техникийн сургууль — «Хүдэр бэлтгэх технологи», «Баяжуулах үйлдвэрийн төсөл зохиомж», «Баяжуулах процессын математик загварчлал» хичээл заасан
• Сурах бичиг — «Зэс-молибдены хүдрийн баяжуулалт, Хүдэр бэлдэх процесс»-ын хамтран зохиогч (1987, Эрдэнэт)
• Сургалт — METSIM, Python-оор процесс загварчлах чиглэлээр инженер залуучуудад лекц уншдаг
• Блог ба YouTube — залуу инженер, оюутнуудад зориулсан мэргэжлийн блог (gedavaa.blogspot.com) болон видео хичээлтэй суваг (@gedavaa) ажиллуулдаг

HPGR БУТЛУУРЫН ТООЦООЛУУР

HPGR сонголтын тооцоолуур

Morrell (2022, Minerals Engineering 179) чадалд суурилсан арга. Студтэй бул, ангилагчтай хаалттай хэлхээ. Анхны утга нь өгүүллийн Хавсралт B-ийн жишээ.

Хэлхээ ба хүдэр

Шинэ тэжээл т/ц

Тэжээл F80 мм

HPGR бүтээгдэхүүн P80 мм

M_ih (SMC) kWh/t

Хүдрийн нягт ρ_o т/м³

Хувийн шахалтын хүч SF = F/(1000·D·L)

Ажиллах үеийн SF N/mm²3.0

Зураг төслийн хамгийн их SF_max N/mm²

Машин

Булны диаметр D м

Булны урт L м

Нөөц (contingency) %

Бөмбөлөгт тээрэм

M_ia (SMC) kWh/t

M_ib (Bond тестээс) kWh/t

Циклоны угаалга P80 мкм

K_hpgr (бичил хагарал)

—

Машины хувийн энерги W_hm—kWh/t · 0.37·SF

Хэлхээний энерги W_hc—kWh/t шинэ тэжээлд

Эргэлтийн ачаалал—% · (W_hc/W_hm − 1)

Машинд орох урсгал—т/ц, нөөцтэй: —

Машины Q_max—т/ц · u_max үед

Шаардлагатай булны хурд—м/с · u_max = —

Суурилагдсан чадал—кВт · 2 мотор × —

Ажлын чадал (мотор)—кВт · — ачаалал

Хувийн шахалтын хүчний (SF) нөлөө

W_hc хэлхээ (k₄-тэй) W_hm машин Хоёр шугамын харьцаа = эргэлтийн ачаалал

Дэлгэрэнгүй

Үзүүлэлт	Утга	Тэгшитгэл

Тэгшитгэлүүд: s = 32·D¹·², u_max = 0.68D + 0.87, Q = 98·L·D¹·²·u·ρ_o, W_hm = 0.37·SF, W_hc = M_ih·S_h·k₃·k₄·4·(P80^f(P80) − F80^f(F80)), f(x) = −(0.295 + x/10⁶), S_h = 35·(F80·P80)^−0.2 (0.5–1), k₄ = 0.71·e^0.28·SF/M_ih^0.23, P_inst = 39·L·D¹·²·SF_max·(0.68D + 0.87)·ρ_o. k₄-ийн хүчинтэй муж SF = 1.8–5.3 N/mm². Хэмжээ мкм-ээр. Бөмбөлөгт тээрмийн чадалд нөөц болон араа/мотор алдагдал 4% нэмсэн.

NN · БАЯЖУУЛАЛТ

01 Нейрон 02 Сүлжээ 03 Сургалт 04 Хэрэглээ 05 Жишээ загвар 06 Харьцуулалт 07 Эхлэх алхам

Machine Learning · Process Engineering

Мэдрэлийн сүлжээ (Neural Network) баяжуулалтын процессийн загварчлалд

Bond, Rowland шиг сонгодог тэгшитгэлүүдийн зэрэгцээ, өгөгдлөөс шууд сурдаг математик загвар яаж тээрмийн чадал, циклоны ажиллагаа, флотацийн эргэлтийг таамаглаж болохыг — нейроноос эхлээд бодит жишээн хүртэл, интерактив тайлбар.

Оролт → далд давхарга → гаралт: дохио тасралтгүй урсаж байна

01

Нэг нейрон — тооцооны хамгийн жижиг нэгж

Neural Network гэдэг нь мянга мянган энгийн тооцоолуур (нейрон) хоорондоо холбогдож, хамтдаа нэн нарийн функц дүрсэлдэг систем юм. Нэг нейрон юу хийдгийг эхлээд ойлгоцгооё.

Нейрон бол гурван энгийн алхам: (1) оролтуудыг жинтэй нийлбэр болгож нэмнэ, (2) идэвхжүүлэх функц (activation function)-ээр дамжуулна, (3) гаралтыг дараагийн давхаргад дамжуулна.

Алхам	Томьёо	Баяжуулалтын жишээ дүрслэл
Жинтэй нийлбэр	z = w₁x₁ + w₂x₂ + ... + b	F80, тоннаж, бөмбөлгийн ачаалал — тус бүрийг "чухлын жин"-ээр үржиж нэмнэ
Идэвхжүүлэлт	a = f(z)	Нийлбэрийг 0–1 хооронд шахах, эсвэл сөрөг утгыг таслах зэргээр "тохиолдол"-той болгоно
Гаралт	→ дараагийн давхарга	Энэ утга дараагийн нейронуудын оролт болно

Жин w тус бүр тухайн оролт хэр их нөлөөтэйг илэрхийлнэ; хэвийн (bias) b нь босго түвшинг зөөнө. Сургалт гэдэг бол яг л энэ w, b тоонуудыг өгөгдлөөс тохируулах явдал — инженер гараар тэгшитгэл бичихгүйгээр, загвар өөрөө хамаарлыг олж авдаг гэсэн үг.

Интерактив: нэг нейроныг өөрөө туршиж үзээрэй

Live тооцоолол

x₁ (оролт 1) 0.60

x₂ (оролт 2) -0.30

w₁ (жин 1) 1.20

w₂ (жин 2) 0.80

b (хэвийн) -0.20

Идэвхжүүлэх функц Sigmoid — магадлал/эргэлтийн % загварт түгээмэл Tanh — тэгш хэмтэй, -1..1 ReLU — гүн сүлжээний стандарт сонголт Linear — гаралтын давхаргад ихэвчлэн

z = w₁x₁+w₂x₂+b = 0.000
a = f(z) = 0.000

Улаан цэг нь одоогийн (z, a) координат. Функцийг сольж, z-ийн ижил өөрчлөлт гаралтад хэрхэн өөр нөлөө үзүүлэхийг ажиглаарай — ReLU сөрөг талдаа "унтарч", Sigmoid хоёр талдаа "ханадаг" (saturate).

02

Нейронуудыг давхарга болгон холбоход юу гардаг вэ

Нэг нейрон зөвхөн шулуун (эсвэл нэг эвдрэлтэй) хамаарлыг л дүрсэлж чадна. Харин олон нейроныг зэрэгцээ, олон давхаргаар холбоход систем маш нарийн, шугаман бус (non-linear) хамаарлыг ойролцоолж чаддаг болдог — үүнийг Universal Approximation шинж чанар гэдэг.

Оролтын давхарга (Input layer) — процессын хэмжигдэхүүнүүд: F80, P80, тоннаж, %ХБ, бөмбөлгийн ачаалал, реагентийн норм г.м. Энд тооцоо хийгдэхгүй, зөвхөн өгөгдлийг сүлжээнд оруулна.

Далд давхарга (Hidden layers) — энд бодит "сургалт" явагдана. Давхарга, нейроны тоо их байх тусам загвар илүү нарийн муруй хамаарлыг барьж чаддаг, гэхдээ хэт олон бол дараа үзэх overfitting-д ордог.

Гаралтын давхарга (Output layer) — регрессийн зорилгод (жишээ нь кВтц/т, % эргэлт) ихэвчлэн идэвхжүүлэлтгүй (linear) нэг нейрон байна; олон гаралт зэрэг (жишээ нь эргэлт + агууламж хамт) таамаглах бол гаралтын давхаргад нейроны тоо нэмэгдэнэ.

Жингийн тоо — жишээ нь 6 оролт → 8 далд → 8 далд → 1 гаралт бүхий сүлжээнд ойролцоогоор 130 сурах боломжтой параметр (жин+bias) байна. Эдгээрийг л сургалтын явцад тохируулна.

Инженерийн зэрэгцүүлэлт: Bond-ийн тэгшитгэлд бид 1–2 тогтмол (Wi, EF хүчин зүйлс)-ийг физик учир шалтгаанаар тодорхойлдог бол мэдрэлийн сүлжээнд 50–500 "жин" гэдэг тоо, физик утгагүй ч гэсэн, оролт-гаралтын хамаарлыг статистикийн хувьд шилдэг тохируулдаг байдлаар автоматаар олддог.

03

Хэрхэн "сурдаг" вэ — бодит сургалт, шууд нүдэн дээр

Сургалт гэдэг 3 алхамын давталт: Forward pass (тооцоолж таамаглал гаргах) → Loss (таамаглал бодит утгаас хэр зөрсөнийг хэмжих) → Backpropagation + Gradient Descent (алдааг багасгах чиглэлд жинг бага зэрэг өөрчлөх). Мянга мянган давталтын дараа жингүүд өгөгдлийн хамаарлыг барьж эхэлдэг.

Интерактив: жижиг сүлжээг таны нүдэн дээр сургая

Бодит gradient descent — JS дотор ажиллаж байна

Доорх өгөгдөл нь ксантатын норм (реагентийн тун, x) өссөнөөр молибдений эргэлт (%, y) ханалттайгаар өсдөг ердийн флотацийн муруйг дуурайсан жишээ цэгүүд. 1 оролт → 6 нейронтой далд давхарга (tanh) → 1 гаралттай жижиг сүлжээг санамсаргүй жингээс эхлүүлээд, товч дараад бодитоор сургана.

Цэг = өгөгдөл · Муруй = сүлжээний одоогийн таамаглал

Loss (MSE) эпох тутам буурч байгаа график

Эпох: 0  ·  Loss (MSE): –

Энэ бол сургалтын механизмыг харуулах тоглоомын жишээ (10 синтетик цэг дээр). Бодит үйлдвэрийн загварт зуу зуун-мянган түүхэн хэмжилт, cross-validation, тогтмолжуулалт (regularization) шаардлагатай — доор 06-р хэсэгт харна.

04

Баяжуулалтын процесст хаана хэрэглэгддэг вэ

Доор таны ажилладаг процессуудтай шууд холбоотой 5 бодит хэрэглээний жишээг, оролт/гаралт, санал болгох архитектур, Python код хамт үзүүлье.

4.1 — Тээрмийн (SAG/бөмбөлөгт) хувийн энергийн зарцуулалт

Регресс

Оролт: F80, зорилтот P80, тоннаж (t/h), бөмбөлгийн ачаалал (%), тээрмийн диаметр/урт, хатуу биетийн эзлэхүүн (%ХБ).
Гаралт: хувийн энергийн зарцуулалт (kWh/t) эсвэл шууд чадал (kW).
Санал болгох хэмжээ: 6 оролт → 12 → 8 → 1 гаралт, ReLU далд давхаргад, Linear гаралтад.

Яагаад Bond-оос илүү байж болох вэ: Bond-ийн тэгшитгэл ажлын индексийг тогтмол гэж үздэг, харин бодит ор ба тээрэмд хатуулаг, литологи цаг хугацаанаас хамаарч хэлбэлздэг. Хангалттай түүхэн өгөгдөл байвал NN энэ хэлбэлзлийг мөн барьж авдаг — гэхдээ Wi-г физикийн хувьд тайлбарлахгүй, зөвхөн статистик хамаарлыг л сурдаг гэдгийг санах хэрэгтэй.

# sklearn — жижиг, түргэн сургагдах регрессор (100–1000 мөр өгөгдөлд тохиромжтой)
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X = df[['F80','P80_target','tph','ball_charge_pct','mill_D','solids_pct']]
y = df['specific_energy_kwht']

X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = StandardScaler().fit(X_tr)

model = MLPRegressor(hidden_layer_sizes=(12,8), activation='relu',
                      alpha=1e-3, max_iter=2000, random_state=42)
model.fit(scaler.transform(X_tr), y_tr)
print("R2 (test):", model.score(scaler.transform(X_te), y_te))

4.2 — Гидроциклоны ажиллагаа (d50, bypass, PSD)

Регресс

Оролт: тэжээлийн даралт, %ХБ, тэжээлийн зардал, vortex/apex голч, гурилын нягт.
Гаралт: тусгаарлалтын хэмжээ d50, bypass хувь, эсвэл шууд гаралтын PSD (олон гаралттай сүлжээ).
Санал болгох хэмжээ: 5 оролт → 10 → 6 → 1–3 гаралт. Циклон бол маш шугаман бус, харилцан үйлчлэлтэй систем тул сонгодог Plitt/Nageswararao томьёотой зэрэгцээ NN-ийг баталгаажуулалтад ашиглаж болно.

4.3 — Флотацийн эргэлт ба төвлөрлийн агууламж (олон гаралттай загвар)

Олон гаралт

Оролт: реагентийн тунгууд (коллектор, хөөс үүсгэгч, идэвхжүүлэгч), рН, агаарын зардал, целлийн хугацаа (residence time), тэжээлийн ширхэглэл, тэжээлийн агууламж.
Гаралт: Cu/Mo эргэлт (%) ба төвлөрлийн агууламж (%) — хоёуланг нь нэг сүлжээ зэрэг гаргаж болно (multi-output), учир нь эдгээр хоёр хэмжигдэхүүн ихэвчлэн зөрчилдсөн (trade-off) хамааралтай байдаг.

# Keras — олон гаралттай (эргэлт + агууламж) сүлжээ
import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(7,)),           # 7 процессын хувьсагч
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dropout(0.15),               # overfitting-ээс сэргийлнэ
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(2)                     # [эргэлт_%, агууламж_%]
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
model.fit(X_train, y_train, validation_split=0.2, epochs=300, batch_size=16)

4.4 — Хүдрийн зурган дүн шинжилгээ (CNN)

Computer Vision

Таны конвейерийн зурган дээр суурилсан ширхэглэлийн (PSD) OpenCV-watershed загварыг санаж байна уу — Convolutional Neural Network (CNN) нь яг ийм зорилготой мэдрэлийн сүлжээний тусгай төрөл: зургийг шууд оролт болгон авч (пиксель бүрийг гараар боловсруулахгүйгээр), ширхэгийн хэмжээ, тоо, хэлбэрийг шууд гаргадаг. Watershed segmentation-той хослуулбал: эхлээд CNN-ээр бүс тусгаарлаад, дараа нь хэмжилт хийх, эсвэл end-to-end сургасан CNN шууд D50/D80-г таамаглаж болно.

Давуу тал: гэрэлтүүлэг, өнгө, чийгийн нөхцөл өөрчлөгдөхөд CNN хангалттай өгөгдлөөр сургагдсан бол илүү тогтвортой ажилладаг — гэхдээ энэ нь мянга мянган шошготой (labeled) зураг шаарддаг тул хамгийн их өгөгдөл шаардсан хэрэглээ юм.

4.5 — Дижитал ихэр (Digital Twin) ба бодит цагийн оновчлол

Surrogate model

METSIM-ийн бүрэн mass-balance симуляц нэг тохиргоог секунд-минутын хугацаанд бодно, харин SCADA дээр бодит цагийн хяналт хийхэд энэ хэтэрхий удаан. Түүхэн METSIM гаралт дээр сургасан NN "surrogate model" болж, ижил оролтод millisecond-ийн дотор ойролцоо гаралт өгч, PID/MPC хяналтын давхаргад таамаглал болгон ашиглагдах боломжтой — жишээ нь тоннаж унахад тэр даруй бөмбөлгийн ачааллын зөвлөмж гаргах.

05

Жишээ загвар: тээрмийн чадлыг урьдчилан таамаглах сүлжээ

Доор 3 оролттой, 4 нейронтой далд давхарга бүхий жижиг сүлжээний урагш дамжуулалт (forward pass)-ыг шууд нүдэн дээр ажиглаарай. Слайдер хөдөлгөхөд оролт → далд нейронуудын идэвхжил → гаралт хэрхэн өөрчлөгдөхийг өнгөөр харуулна.

Жин нь сургаагүй, гараар сонгосон жишээ жин — зөвхөн тооцооны урсгалыг харуулах зорилготой, бодит калибрацитай тээрэмтэй тохирохгүй

F80 — тэжээлийн хэмжээ (мкм) 2400

Тоннаж (т/цаг) 220

Бөмбөлгийн ачаалал (%) 32

Урьдчилсан хувийн энерги ≈ – кВтц/т

F80 нэмэгдэх тусам (ор хатуу, тэжээл томорсон) хувийн энерги өснө; тоннаж өсөхөд нэгж жинд ногдох нунтаглалтын хугацаа багасаж хувийн энерги буурах хандлагатай — энэ бол Bond-ийн зарчимтай чиглэлээрээ нийцтэй, гэхдээ энд физик тэгшитгэлээр биш, сүлжээний жингээр гарч байна.

06

Сонгодог тэгшитгэл ба Neural Network — юуг сонгох вэ

Аль нь ч "илүү сайн" гэсэн ганц хариулт байхгүй — хоёулаа өөр өөр нөхцөлд давуу талтай, ихэнхдээ хамтад нь ашиглах нь хамгийн үр дүнтэй.

Шинж чанар	Сонгодог (Bond, Plitt, ...)	Neural Network
Шаардах өгөгдөл	Цөөн, лабораторийн туршилт хангалттай	Их хэмжээний түүхэн/процессын өгөгдөл (олон зуу–мянга мөр)
Физик тайлбар	Тодорхой — Wi, EF хүчин зүйл бүр учиртай	"Хар хайрцаг" — жингүүд физик утгагүй
Шугаман бус хамаарал	Хязгаарлагдмал (тэгшитгэлийн хэлбэрээр тогтмол)	Маш уян хатан, автоматаар сурна
Экстраполяци (сургасан мужаас гадуур)	Физик үндэслэлтэй тул харьцангуй итгэлтэй	Эрсдэлтэй — сургасан мужаас гадуур найдваргүй
Тохируулах хугацаа	Хурдан, шууд тооцоолж болно	Өгөгдөл цуглуулах, сургах, баталгаажуулах шаардлагатай
Олон хувьсагчийн харилцан үйлчлэл	Гараар тохируулсан хязгаарлагдмал хэлбэрээр	Автоматаар бүх харилцан үйлчлэлийг барина
Хамгийн тохиромжтой хэрэглээ	Урьдчилсан зураг төсөл, шинэ үйлдвэр, шинэ ор	Ажиллаж буй үйлдвэрт бодит цагийн оновчлол, soft sensor

Практик зөвлөмж: Bond/Plitt-ээр эхний тооцоог хийж, барилга/тоног төхөөрөмжийн зохион байгуулалтыг тодорхойлж, дараа нь ажиллаж эхэлмэгц бодит хэмжилтээр NN сургаж, сонгодог загвар дээрх зөрүүг засварлах (hybrid буюу "physics-informed" арга) нь ихэнх тохиолдолд хамгийн найдвартай.

07

Хэрхэн эхлэх вэ — Python дээр бодит зам

Таны METSIM, Excel, Python (Tkinter) орчинтой шууд нийцэх, бага зардлаар эхлэх дараалал.

1

Түүхэн өгөгдөл цуглуул

METSIM тайлан, лабораторийн журнал, SCADA/PI лог зэргээс F80, тоннаж, реагент, эргэлт, чадал зэрэг хосолсон мөр бүрийг Excel/CSV болгож нэгтгэнэ. Хамгийн бага 100–200 мөр, боломжтой бол 1000+ байвал сайн.

2

Цэвэрлэж, тэжээх өгөгдөл бэлд

Алдаатай/сэжигтэй мөрүүдийг арилга, өгөгдлийг стандартчил (StandardScaler), сургалт/тест хэсэгт (80/20) хуваа. Pandas ашиглах — танд аль хэдийн танил хэрэгсэл.

3

Энгийнээс эхэл: scikit-learn MLPRegressor

TensorFlow/PyTorch руу шууд орохын оронд эхлээд sklearn-ээр 1-2 далд давхаргатай жижиг сүлжээ сургаж, RandomForest/LinearRegression-той харьцуулж R² харах — танд аль хэдийн ийм ML урьд туршлага байгаа.

4

Баталгаажуул, overfitting шалга

Сургалт болон тестийн алдааг зэрэгцүүлж хар (том зөрүү = overfitting). Cross-validation, эрт зогсоол (early stopping), dropout зэргийг ашигла.

5

Tkinter апп руу нэгтгэ

Сургасан загварыг joblib.dump()-оор хадгалаад, таны одоо байгаа инженерийн тооцооллын Tkinter аппликейшнд слайдер/оролтын талбартай нэгтгэн, бодит цагийн "юу болох вэ" (what-if) тооцоолуур болго.

6

Сонгодог тэгшитгэлтэй хамт ажиллуул

NN-ийг Bond/Rowland-ийн орлуулагч биш, нөхөгч болгож ашигла — хоёр аргын зөрүүг тогтмол хянаж, ор/тоног төхөөрөмж өөрчлөгдөхөд загварыг дахин сургаж бай.

Мэдрэлийн сүлжээ · Баяжуулалтын процессийн загварчлал Форвард дамжуулалт → Loss → Backprop → давт

ЭРДЭМ ШИНЖИЛГЭЭНИЙ БҮТЭЭЛ

Бүтээлийн жагсаалт

Г.Даваацэрэн · Эрдэс боловсруулалтын инженер

70

нийт бүтээл

1987–2022

хамрах хугацаа

45

монгол хэлээр

21

орос хэлээр

4

англи хэлээр

Тэмдэглэгээ: МН – монгол, RU – орос, EN – англи хэлээр хэвлэгдсэн.

I. 1987 – 1999 он · 12 бүтээл

1

С.Давааням, Г.Даваацэрэн, Я.Пүрвээ

Зэс-молибдены хүдрийн баяжуулалт, Хүдэр бэлдэх процесс

Эрдэнэт үйлдвэрийн ажилчид, техникумын оюутнуудад зориулсан сурах бичиг, 1987, Эрдэнэт.

МН 1987

2

Ц.Эрдэнэжав, Г. Даваацэрэн

Некоторые результаты исследования гидроциклонов в цикле рудного измельчения

Эрдэм шинжилгээний бичиг, Улаанбаатар №1 (9), 1989, с 68-77.

RU 1989

3

Г.Даваацэрэн

Гидроциклоны элсний хошууны диаметрийг тээрмийн бүтээмжээр үнэлэх

ПТДС -ийн Эрдэм шинжилгээний бичиг, I/II, 1990, х. 190-194.

МН 1990

4

Ш.Отгонбилэг, Г.Даваацэрэн

Влияние вкрапленности медных сульфидов руд месторождений Эрдэнэтийн Овоо на технологические показатели

Монгол Улсын Их Сургууль, Эрдэм шинжилгээний бичиг №2(118), 1996, Улаанбаатар, х. 55-59.

RU 1996

5

Ж.Баатархуу, Бортников А. В., Г.Даваацэрэн, и др.

Совершенствование технологии рудоподготовки в корпусе самоизмельчения ОФ, СП «Эрдэнэт»

Обогашение руд. -№2.-1996г-С.12-16.

RU 1996

6

Бортников А.В., Л.Дэлгэрбат, Г.Даваацэрэн

Результаты имитационного моделирования мельниц само и полу-самоизмельчения

Монгол улсын их сургууль, Физик-электроникийн сургууль, Эрдэм шинжилгээний бичиг, №3(132), 1998, Улаанбаатар, х. 268-273.

RU 1998

7

Ж.Баатархуу, Бортников А.В., Г.Даваацэрэн, и др.

Интенсификация процесса рудоподготовки с использованием мельниц мокрого самизмельчения

Горный журнал.№2. -1998. -С.51-54.

RU 1998

8

Ш.Отгонбилэг, Г.Даваацэрэн, Ж.Баатархуу

Влияние размера вкрапленности сульфидов меди в рудах на технологические показатели их обогашения

Горный журнал. -№2.-1998г.-С.47-48.

RU 1998

9

Ж.Баатархуу, С.Давааням, Г.Даваацэрэн

Результаты испытания мелющих шаров различного размера на технологические показатели измельчения

Научно-практическая конференция СП «Эрдэнэт». -1998г. г.Эрдэнэт. Тезисы.-С. 52.

RU 1998

10

Ш.Гэзэгт, С. Давааням, Ж.Баатархуу, Г.Даваацэрэн, А.В.Бортников, В.А.Никитин

Внедрение технологии полусамоизмелчения на СП «Эрдэнэт»

Обогащение руд. – 1998. -№3.-С.15-21.

RU 1998

11

Ж.Баатархуу, Г.Даваацэрэн, Л.Ф.Биленко

Пути повышения показателей цикла измельчения на обогатительной фабрике ГОКа «Эрдэнэт»

Обогашение руд.-1998. -№6. -С.3-7.

RU 1998

12

А.В. Бортников, В.Н.Лукницкий, В.И. Соколов, Ж.Баатархуу, Г. Даваацэрэн

Исследование процесса одностадильного полусамоизмельчения и возможностей использования его при реконструкции корпуса самоимельчения ГОКа «Эрдэнэт»

Обогашение руд. -№6-1998г-С.8-11.

RU 1998

II. 2000 – 2009 он · 32 бүтээл

13

А.В.Бортников, В.А.Никитин, В.В.Потапов, Д.Даваасамбуу, Г.Даваацэрэн

Изучение возможности позабойного усреднения руды по крепости с целью увеличения производительности мельниц полусамоизмельчения

Обогащение руд, 2000.№5, с. 16-20.

RU 2000

14

А.В.Бортников, И.Ш.Сатаев, В.А.Никитин, Ж.Баатархуу, Г.Даваацэрэн, Ц.Баяртай, А.Д.Самуков

Эффективность применения шаров диаметром 120 мм в процессе полусамоизмельчения

Обогашение руд.- 2001. -№2. -С.11-12.

RU 2001

15

Ж.Баатархуу, Г.Даваацэрэн, Л.Ф.Биленко

Об одном из путей интенсификации процесса измельчения в шаровых мельницах МШЦ-5500х6500 на комбинате «Эрдэнэт»

Обогашение руд. -№3.-2000г- С.3-5.

RU 2000

16

Ж.Баатархуу, Г.Даваацэрэн, Г.Жаргалжав

О причинах разрушения разнопрочных смесей в шаровой мельнице

Горный журнал, 2000г, №4.-С.32-35 г.Улаанбаатар, Монголия.

RU 2000

17

Г.Даваацэрэн, Ж.Баатархүү, П.Оюунсүрэн, Ц.Туяа

Эрдэнэт УБҮ-ийн МШЦ-5500х6500 маркийн тээрэмд янз бүрийн хэмжээтэй бөмбөлөг хэрэглэж тээрэмдэлтийг эрчимжүүлэх асуудалд

Уул-уурхайн сэтгүүл, 2000, №3 х.16-19.

МН 2000

18

Г.Даваацэрэн, П.Оюунсүрэн, Б.Бат-Онолт

Янз бүрийн давс хэрэглэж нунтаглалт болон флотацийн процессийг эрчимжүүлэх асуудалд

Уул-уурхайн сэтгүүл, 2001, №3 х.21-24.

МН 2001

19

Бортников А.В., Самуков А.Д., Г.Даваацэрэн

Интенсификация процесса полусамоизмельчения на СП «Эрдэнэт», её результаты и перспективы

в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.64-72.

RU

20

Бортников А.В., Самуков А.Д., Никитин В.А., Г.Даваацэрэн

Интенсификация процесса полусамоизмельчения на СП «Эрдэнэт»

Обогащение руд. 2002 г. №3.

RU 2002

21

Л.Дэлгэрбат, Г.Даваацэрэн

Имитационное моделирование процесса полного и полусамоизмельчения

в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.80-85.

RU

22

Г.Даваацэрэн, П.Оюунсүрэн, Б.Намуунгэрэл, Б.Бат-онолт

Новая методика расчёта технологических схем продуктов обогащения

в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.120-123.

RU

23

Л.Дэлгэрбат, Ж.Лхагва, Г.Даваацэрэн

Экспертно-оптимизационное управление процессами измельчения и флотации медно-молибденовых руд

в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.219-225.

RU

24

Ц.Энхболд, Г.Даваацэрэн, Г.Цогт, Р.Дэлгэр

Бумбат үйлдвэрийн баяжуулах фабрикийн технологийн шинэчлэлт

Уул уурхайн сэтгүүл, 2004/№1(22), 11-14.

МН 2004

25

Ц.Энхболд, Г.Даваацэрэн

Цагаан суваргын зэсийн ордыг ашиглан катодын зэс үйлдвэрлэх технологийн талаар

Уул уурхайн сэтгүүл, 2004/№1(22), 14-18.

МН 2004

26

Г.Даваацэрэн

Нунтаглалтын технологийн схемийн тооцоог компьютер хэрэглэн гүйцэтгэх нь

Уул уурхайн сэтгүүл, 2004/№1(22), 18-20.

МН 2004

27

Д.Даваасамбуу, Г.Даваацэрэн, Я.Пүрвээ

Ашигт малтмалын ордын санхүү-эдийн засгийн үнэлгээ

Нэг сэдэвт бүтээл, Улаанбаатар, 2003.

МН 2003

28

Г.Даваацэрэн

Баяжуулах үйлдвэрийн хүдрийн бутлалт, нунтаглалтын төслийн зарим асуудалд

Уул-уурхайн сэтгүүл, 2004, 2, х.11-15.

МН 2004

29

Г.Даваацэрэн, Я.Пүрвээ, Д.Даваасамбуу

Захын агуулгыг эдийн засгийн аргаар үнэлэх асуудалд

Уул-уурхайн сэтгүүл, 2004, №1.

МН 2004

30

Д.Даваасамбуу, Г.Даваацэрэн, Ц.Энхболд

Зэсийн баяжмалын гидрометаллургийн процессуудын өнөөгийн төлөв байдал

Я.Гомбосүрэн-Монгол улсын уул уурхайн салбарын нэрт эрдэмтэн, Улаанбаатар хот 2004, х.97-115.

МН 2004

31

Г.Даваацэрэн

Гидроциклоны тооцоо, сонголт

Уул уурхайн сэтгүүл 2004, №4.

МН 2004

32

Л.Дэлгэрбат, Г.Даваацэрэн, Н.Намдаг, Д.Далайжаргал

Автоматизированная подсистема управления технологическим процессом измельчения руд в мельницах самоизмельчения

Эрдэнэт хөгжил, 2005 №3, 51-55 х.

RU 2005

33

Г.Даваацэрэн, Б.Бат-Онолт

Хүдрийг хатуулгаар нь жигдрүүлэн хагас өөрөө нунтаглалтын тээрмийн бүтээмжийг дээшлүүлэх боломжийн судалгаа

Эрдэнэт хөгжил, 2005 №3, 65-67 х.

МН 2005

34

Б.Нямтайшир, Д.Содном, Г.Даваацэрэн

Монголын алт (МАК) корпораци-Монгол улсын говийн бүсийн хөгжилд

Шинжлэх ухаан, технологи, 2005 №4, 36-41 х.

МН 2005

35

Г.Даваацэрэн, Б.Бат-Онолт, Д.Хүдэрмөнх

Баяжуулах үйлдвэрийн хүдэр бэлтгэх техник, технологийн хөгжил

Уул-уурхайн сэтгүүл, 2005 № 2.

МН 2005

36

Д.Даваасамбуу, Г.Даваацэрэн

Ашигт малтмалын ордын үйлдвэрлэлийн захын агуулгыг тодорхойлох эдийн засгийн түргэвчилсэн аргууд

Шинжлэх ухаан, технологи сэтгүүл, 2004 он, №01, 42-48 х.

МН 2004

37

Г.Даваацэрэн, Ж.Золжаргал, Д.Отгончимэг

Нүүрснээс шингэн түлш үйлдвэрлэх боломж, Өнөөгийн ба хэтийн төлөв

Эрдэнэт-Хөгжил сэтгүүл, 2006 он, №3, 38-44 х.

МН 2006

38

Ж.Золжаргал, Г.Даваацэрэн

Нүүрснээс шингэн түлш үйлдвэрлэх боломж, түүний эрсдлийг Монте-Карлогийн аргаар үнэлэх нь

Хүрэл тогоотын семинар-2006, Эрдэм шинжилгээний бага хурлын эмхтгэл, 2006, Улаанбаатар, 49-53 х.

МН 2006

39

Г.Даваацэрэн, Б.Бат-Онолт, Д.Хүдэрмөнх

Хагас өөрөө нунтаглалтын тээрмийн сонголт, тооцооны асуудалд

Уул-уурхайн сэтгүүл, УБ, 2006 №4.

МН 2006

40

Г.Даваацэрэн, Б.Амартүвшин

Элдэвийн нүүрсний уурхайд хуурай баяжуулалтын технологи нэвтрүүлсэн тухай

Уул уурхайн технологи, эдийн, экологи-2007, Эрдэм шинжилгээий хурлын эмхтгэл, 237-242 х, 2007 он.

МН 2007

41

Г.Даваацэрэн, Ю.Хэрлэнбаяр, Т.Нандин-Эрдэнэ

Цагаан суваргын сульфидийн хүдрийн технологийн туршилтуудын үр дүн

Уул уурхайн сэтгүүл, 2008 №4, хх.15.

МН 2008

42

Б.Нямтайшир, Д.Содном, Г.Даваацэрэн

Ашигт малтмалын томоохон ордуудыг ашиглаж говийн хөгжлийг цогцоор шийдэх асуудалд

Уул уурхайн сэтгүүл, 2008 №4, хх. 6.

МН 2008

43

Г.Цогт, Г.Даваацэрэн, Б.Баттулга, Б.Амартүвшин

Элдэвийн уурхайд хуурай баяжуулалтын FGX-12 иж бүрэн төхөөрөмж нэвтрүүлсэн тухай

Уул уурхайн сэтгүүл, 2008 №4, хх.36.

МН 2008

44

Г.Даваацэрэн, Ю.Хэрлэнбаяр, Т.Нандин-Эрдэнэ

Нүүрсийг баяжуулах технологийн дэлхийн чиг хандлага, Монгол орны нүүрсийг баяжуулах асуудалд

Уул уурхайн сэтгүүл, 2008 №4, хх. 36.

МН 2008

III. 2010 – 2020 он · 21 бүтээл

45

Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа

Нарийнсухайтын ордын нүүрсийг баяжуулах судалгааны үр дүн

Уул уурхайн сэтгүүл, 2010 №2.

МН 2010

46

Г.Даваацэрэн

Нүүрсийг баяжуулах технологийн дэлхийн чиг хандлага

Геологи уул-уурхайн мэдээ сонин, 2010, №21.

МН 2010

47

Г.Даваацэрэн

Нүүрсийг гүн боловсруулах нь Монгол улсын ирээдүйн зорилго

Геологи, уул уурхайн мэдээ сонин, 2010 оны 9 дүгээр сар 1.

МН 2010

48

Г.Даваацэрэн

Хагас өөрөө нунтаглалтын тээрмийг сонгох асуудалд

Уул уурхайн сэтгүүл, 2011 №2.

МН 2011

49

G.Davaatseren, H.Wittmers, M.Bazarragchaa

Past, Present Situation and Future Development of Coal Processing Industry In Mongolia

XVII International Coal Preparation congress 1-6 October 2013, Istanbul, Turkey.

EN 2013

50

Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа, Б.Сэрдамба

Качественные характеристики и обогатимость угля месторождения Нарийнсухайт, Монголия

Известия Донецкого Горного Института, Все Украйнский научно-технический журнал, №2 (33), 2013, стр.16.

RU 2013

51

Г.Даваацэрэн, С.Хандмаа, Ж.дэлгэрцэцэг

Цагаансуваргын исэлдсэн хүдрийг боловсруулах SX/EW төслийн технологийн сонголт

Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 33 х. 2014, Улаанбаатар.

МН 2014

52

Г.Даваацэрэн

Монгол улсын нүүрс боловсруулалт

Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 88 х. 2014, Улаанбаатар.

МН 2014

53

Г.Даваацэрэн, М.Базаррагчаа, Ж.Мядагмаа

Нарийнсухайтын олон үет давхрагын нүүрсийг хуурай Allair технологиор баяжуулсан хагас үйлдвэрийн туршилтын үр дүн

Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 91х. 2014, Улаанбаатар.

МН 2014

54

Г.Даваацэрэн

Монгол улсын уул уурхайн салбарын хөгжилд мэргэжлийн холбоодын үүрэг чухал

Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 171х. 2014, Улаанбаатар.

МН 2014

55

Jambal Davaasuren, Byong-Gon Kim Ju Hyoung Lee, Gendeekhuu Davaatseren, Magsar Bazarragchaa

Dry Coal Preparation of Fine particles by KAT Process

VIII International Coal Preparation Congress, 2016, Saint Peterburg.

EN 2016

56

Gendeekhuu Davaatseren, Magsar Bazarragchaa

Dry AllAir Pilot Plant Test results on Naryn Sukhait’s Multilayer Coal

VIII International Coal Preparation Congress, 2016, Saint Peterburg.

EN 2016

57

Г.Даваацэрэн, М.Базаррагчаа

Нүүрс баяжуулах үйлдвэрийн техник-технологийн өнөөгийн байдал

Баяжуулагч сэтгүүл, 2018 он, №1.

МН 2018

58

Г.Даваацэрэн, М.Базаррагчаа, Б.Сэрдамба

Нарийнсухайтын ордын олон үет давхаргын нүүрсэнд шинэ урвалжуудыг туршсан флотацийн туршилт

Баяжуулагч сэтгүүл, 2018 он, №1.

МН 2018

59

Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа, Б.Сэрдамба

Нарийнсухайтын ордын нүүрсний баяжигдах чанарын судалгаа

Баяжуулагч сэтгүүл, 2018 он, №1.

МН 2018

60

Г.Даваацэрэн, М.Базаррагчаа, Ц.Цэгмид, Г.Очирбат

Монголын анхны хүнд орчны модулийн нүүрс баяжуулах үйлдвэр

Баяжуулагч сэтгүүл, 2018 он, №2.

МН 2018

61

Г.Даваацэрэн

Хөвөлт-суултын шинжилгээний үр дүнгээр нүүрс баяжуулах үйлдвэрийн материалын балансыг аналитик аргаар тооцох нь

Баяжуулагч сэтгүүл, 2018 он, №2.

МН 2018

62

Г.Шархүү, Г.Даваацэрэн, Я.Пүрвээ

Эрдэнэт үйлдвэрийн баяжуулах фабрикийн техник-технологийн шинэчлэлтийн чиглэлийг боловсруулахад ирээдүйд олборлох хүдрийн физик-механикийн шинж чанарыг тодорхойлохын ач холбогдол

Баяжуулагч сэтгүүл, 2018 он, №2.

МН 2018

63

G.Davaatseren, M.Bazarragchaa, Ts. Tsegmid

Mongolia’s first gravity fed 3-product heavy medium cyclone coal washing plant

XIX International Coal Preparation Congress, Volume 1, page 70.

EN

64

Г.Даваацэрэн, М.Гантулга

Баяжуулах үйлдвэрийн балансын тооцоо ба өгөгдлийг тохируулах аргууд

Баяжуулагч сэтгүүл, 2020, №5.

МН 2020

65

Г.Даваацэрэн, М.Базаррагчаа

Нүүрс баяжуулах үйлдвэрийн хүнд орчны гидроциклон болон тунаах технологиудын харьцуулсан судалгаа

Баяжуулагч сэтгүүл, 2020, №5.

МН 2020

IV. 2021 – 2022 он · 5 бүтээл

66

М.Базаррагчаа, Г.Даваацэрэн, Д.Энхбат, Ц.Цэгмид, Ж.Золжаргал

Дэлхийн нүүрс баяжуулах үйлдвэрүүд

Баяжуулагч сэтгүүл, 2021, №7, хуудас 8.

МН 2021

67

М.Базаррагчаа, Г.Даваацэрэн, Д.Энхбат, Ц.Цэгмид, Ж.Золжаргал, Д.Хүдэрмөнх

Нүүрсийг хуурай аргаар баяжуулах технологийн хөгжлийн чиг хандлага

Баяжуулагч сэтгүүл, 2021, №7, хуудас 52.

МН 2021

68

Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа, Г.Очирбат

Нарийнсухайтын уурхайн нүүрсийг сонгомол шигшилт болон хуурай баяжуулалтын аргаар боловсруулах боломжийн талаар

Баяжуулагч сэтгүүл, 2021, №7, хуудас 73.

МН 2021

69

Г.Даваацэрэн, М.Базаррагчаа, Д.Хүдэрмөнх, Д.Нямдаваа

Нүүрс баяжуулах үйлдвэрийн балансын тооцоо ба өгөгдлийг тохируулах аргын тухайд

Баяжуулагч сэтгүүл, 2021, №7, хуудас 80.

МН 2021

70

Г.Даваацэрэн

Эрдэс боловсруулалтын судалгаанд математик-загварчлал, хиймэл оюун ба машин сургалтын аргуудыг хэрэглэх нь

Баяжуулагч сэтгүүл, 2022 он, №10, хуудас 22.

МН 2022

Сүүлд шинэчилсэн: 2026 оны 10-р сар