Las graves consecuencias del efecto invernadero, el agotamiento progresivo de las reservas de los combustibles fósiles y los problemas de contaminación asociados a su combustión han incentivado la conciencia global encaminada a la optimización de los procesos industriales con funciones objetivo que minimicen el consumo de energía y/o la emisión de CO2 al ambiente. Esta optimización se enmarca en planes de manejo integral, que permiten incrementar la competitividad de las empresas con iniciativas hacia la conservación del medio ambiente y los recursos no renovables. Por otro lado, la optimización es un tema importante desde el punto de vista industrial y comercial, la necesidad de maximizar o minimizar una función objetivo ya sea de costos, de esfuerzos en el sistema de control, de errores a la salida, entre otras; es un gran atractivo desde el punto de vista económico. Existen varias técnicas de optimización modernas que buscan integrar la optimización y el control, permitiendo que la rentabilidad de la operación en los procesos sea altamente competitiva y amigable con el ambiente; entre estas se encuentran la Optimización en Tiempo Real (Real Time Optimization - RTO) y el Control Predictivo basado en Modelos (Model Predictive Control - MPC). El primero (RTO) busca optimizar el proceso ante variaciones en las composiciones o pureza de las materias primas, requerimientos de calidad en los productos, variación en los precios de insumos, productos y materias primas; variación en las condiciones ambientales; perturbaciones en el proceso, entre otros. Utiliza datos del comportamiento de la planta en estado estable para crear un nuevo punto óptimo en estado estable. El segundo (MPC) hace parte de los avances en teoría de control moderna como un método sofisticado para el diseño y selección de los controladores, predicción del comportamiento futuro de la planta ante manipulaciones en las variables controlables del proceso gracias a un modelo dinámico. También permite realizar la optimización del proceso considerando un tiempo futuro denominado horizonte de predicción. Otra técnica es la Optimización Dinámica en Tiempo Real (Dinamyc Real Time Optimization D-RTO) la cual ha venido desarrollándose en los últimos años gracias a la reducción en el tiempo de procesamiento y solución de la optimización de modelos altamente no lineales y de ecuaciones diferenciales-algebraicas. Esta integra los métodos de corrección de los datos de las variables y actualización del modelo de la planta del RTO en estado estable y el predictor dinámico del MPC para realizar la optimización sin necesidad de esperar el estado estable de la planta. La estrategia RTO funciona de manera similar a un lazo de control predictivo y un buen desempeño de este depende de la confianza del modelo matemático y de los datos medidos del proceso. En esta se encuentran los siguientes pasos o subsistemas (Rejowski et al., 2009): • Detección del estado estable • Validación de datos • Clasificación de las variables • Reconciliación de datos y actualización de los parámetros del modelo • Optimización • Chequeo del estado estable • Control dinámico La estrategia D-RTO omite los pasos de detección o identificación del estado estable y el chequeo del estado estable. Además incorpora a la reconciliación de datos el componente dinámico, lo cual permite obtener mejores estimados de las variables medidas eliminando errores de estas en el comportamiento intrínsecamente dinámico; para satisfacer las restricciones de los balances de materia y energía en los procesos químicos. Se propone una estrategia de D-RTO para la columna depropenizadora de la refinería de Capuava que permita maximizar una función objetivo cumpliendo con las restricciones ambientales y del proceso. Se busca que esta función objetivo sea de tipo económica e incluya el desempeño de los controladores o dos funciones objetivo por niveles que resuelva estas optimizaciones por separado.