El Observatorio Gigante de América Latina (LAGO) es un observatorio de rayos cósmicos extendido y basado en tierra, diseñado para estudiar eventos astrofísicos transitorios, el papel de la atmósfera en la formación de partículas secundarias y fenómenos relacionados con el clima espacial. Con el uso de una red de Detectores de Cherenkov en Agua (WCD), LAGO mide el flujo de partículas secundarias, una consecuencia de la interacción de astropartículas que impactan en la atmósfera de la Tierra. Este flujo se puede agrupar en tres componentes básicos distintos: componentes electromagnéticos, muónicos y hadrónicos. Cuando una partícula entra en un WCD, genera una señal medible caracterizada por características únicas que correlacionan con el tipo de partícula y la respuesta específica del detector. Los histogramas de carga resultantes de estas señales proporcionan valiosos conocimientos sobre el flujo de astropartículas primarias y sus características clave. Sin embargo, estos datos son insuficientes para distinguir eficazmente entre las contribuciones de diferentes partículas secundarias. En este trabajo, ampliamos nuestra investigación anterior utilizando simulaciones detalladas de la respuesta atmosférica esperada al flujo primario y la respuesta correspondiente de nuestros WCD a la radiación atmosférica. Este conjunto de datos, que se creó a través de la combinación de las salidas de los marcos de simulación ARTI y Meiga, simuló las señales de WCD esperadas producidas por el flujo de partículas secundarias durante un día en el sitio de LAGO en Bariloche, Argentina, situado a 865 m sobre el nivel del mar. Esto se logró analizando las condiciones magnetosféricas y atmosféricas locales en tiempo real para febrero y marzo de 2012, donde el flujo de partículas secundarias atmosféricas resultante se integró en una aplicación específica de Meiga que presenta un modelo Geant4 completo del WCD en esta ubicación de LAGO. La salida final se modificó para una integración efectiva en nuestra línea de procesamiento de aprendizaje automático. Con una implementación de Ordering Points to Identify the Clustering Structure (OPTICS), un algoritmo de agrupamiento basado en densidad utilizado para identificar patrones en los datos recopilados por un solo WCD, hemos refinado aún más nuestro enfoque para implementar un método que categoriza grupos de partículas utilizando técnicas avanzadas de aprendizaje automático no supervisado. Esto permitió la diferenciación entre tipos de partículas y utilizó la respuesta matizada del detector a cada una, identificando así los principales contribuyentes dentro de cada grupo. Nuestro análisis ha demostrado que aplicar nuestra metodología mejorada puede identificar con precisión las partículas de origen con un alto grado de confianza en una base de pulso único, destacando su precisión y fiabilidad. Estos resultados prometedores sugieren la viabilidad de futuras implementaciones de modelos basados en aprendizaje automático a lo largo de la red de detección distribuida de LAGO y otros observatorios de astropartículas para análisis de datos semi-automatizados, a bordo y en tiempo real.