Las discontinuidades en la masa rocosa son un excelente conjunto de información para reflejar las propiedades geométricas, espaciales y físicas de la masa rocosa. Utilizar algoritmos de agrupamiento para analizarlas es una forma significativa de seleccionar orientaciones ventajosas de superficies estructurales y proporcionar una base teórica científica para otras investigaciones de ingeniería de masas rocosas. Los algoritmos de agrupamiento tradicionales a menudo sufren de sensibilidad a la inicialización y carecen de aplicabilidad práctica, ya que los datos de discontinuidad suelen ser ásperos, de baja precisión y no etiquetados. Enfrentando estos desafíos, II-LA-KM, un algoritmo de agrupamiento aumentado por aprendizaje con una inicialización mejorada para agrupar discontinuidades rocosas, es propuesto. Nuestro método comienza seleccionando heurísticamente centros iniciales para asegurarse de que estén bien separados. Luego, se utiliza el transporte óptimo para ajustar estos centros, minimizando el costo de transporte entre ellos y otros puntos. Para mejorar la tolerancia a fallos, se integra un algoritmo aumentado por aprendizaje que reduce iterativamente los costos de agrupamiento, refinando los resultados iniciales hacia un agrupamiento óptimo. Experimentos extensos en un conjunto de datos artificiales simulados y un conjunto de datos reales de Woxi, Hunan, China, que presentan atributos tanto orientacionales como no orientacionales, demuestran la efectividad de II-LA-KM. El algoritmo logra un 97.5% de precisión en el conjunto de datos artificial y diferencia con éxito entre grupos superpuestos. Su rendimiento es aún más destacado en el conjunto de datos reales, subrayando su robustez para manejar datos complejos y ruidosos. Estas fortalezas hacen que nuestro enfoque sea altamente beneficioso para aplicaciones prácticas de agrupamiento de discontinuidades rocosas.