En esta investigación, abordamos el problema de evaluar la estabilidad física (PS) para cerrar presas de relaves (TD) de tamaño mediano de la minería chilena utilizando algoritmos de inteligencia artificial (IA). La PS puede ser analizada a través del estudio de variables críticas de la TD que permiten estimar diferentes mecanismos potenciales de falla (PFM): licuefacción sísmica, inestabilidad de pendiente, licuefacción estática, desbordamiento y piping, que pueden ocurrir en este tipo de instalaciones de almacenamiento de relaves en un país sísmicamente activo como Chile. Por lo tanto, este artículo propone el uso de cuatro algoritmos de aprendizaje automático, a saber, bosque aleatorio (RF), máquina de vectores de soporte (SVM), redes neuronales artificiales (ANN) y aumento extremo de gradiente (XGBoost), para estimar cinco posibles PFM. Además, debido a la escasez de datos para entrenar los algoritmos, se propone el uso de redes generativas adversarias (GAN) para crear datos sintéticos y aumentar la base de datos utilizada. Por lo tanto, la novedad de este artículo consiste en estimar el PFM para TD y generar datos sintéticos a través de la GAN. Los resultados muestran que, al usar la GAN, el resultado obtenido por los modelos de ML aumenta la métrica de puntuación F1 en 30 puntos porcentuales, obteniendo resultados del 97,4%, 96,3%, 96,7% y 97,3% para RF, SVM, ANN y XGBoost, respectivamente.