Die Verbesserung der Interoperabilität und des Informationsaustauschs zwischen domänenspezifischen Softwareprodukten für BIM (Building Information Modeling) ist ein wichtiger Aspekt in der Architektur-, Ingenieur- und Bauindustrie sowie im Betrieb. Aktuelle Forschungen haben begonnen, Methoden aus den Bereichen Maschinelles Lernen und Tiefes Lernen zur semantischen Bereicherung von BIM-Modellen zu untersuchen. Allerdings erfordern das Training und die Bewertung dieser maschinellen Lernalgorithmen hinreichend große und umfassende Datensätze. Diese Arbeit stellt IFCNet vor, einen Datensatz von einzelnen Entitäten-IFC-Dateien, der eine breite Palette von IFC-Klassen abdeckt und sowohl geometrische als auch semantische Informationen enthält. Die Experimente zeigen, dass drei verschiedene Deep-Learning-Modelle auf Basis alleiniger geometrischer Objektinformationen gute Klassifikationsleistungen erzielen können.