Améliorer l'interopérabilité et l'échange d'informations entre les logiciels spécialisés dans le domaine du BIM (Building Information Modeling) est un aspect crucial de l'industrie de l'Architecture, du Génie civil, de la Construction et des Opérations. Des recherches récentes ont commencé à explorer des méthodes issues des domaines de l'apprentissage automatique et de l'apprentissage profond pour enrichir sémantiquement les modèles BIM. Cependant, la formation et l'évaluation de ces algorithmes d'apprentissage automatique nécessitent des ensembles de données suffisamment grands et complets. Cette étude présente IFCNet, un ensemble de données composé de fichiers IFC mono-entité couvrant une large gamme de classes IFC, contenant à la fois des informations géométriques et sémantiques. Les expériences montrent que trois modèles d'apprentissage profond différents sont capables d'atteindre une bonne performance de classification en utilisant uniquement les informations géométriques des objets.