Семантично обогатяване

Семантичното обогатяване е автоматичното или полуавтоматичното добавяне на смислена, специфична за областта информация към цифровия модел: извеждане на нови данни от това, което вече е явно и подразбиращо се в модела, чрез логически правила или машинно обучение. То е управляваният от данни аналог на моделирането: да направиш модела да означава повече, а не просто да показва повече.

Това, което добавя, е информацията, скрита в геометрията. Класификация на обектите (разпознаване на носеща стена зад „обща маса"), функцията на пространствата (различаване на аудитория от коридор по геометрия и топология) и топологичните връзки между елементите. Методите варират от базирани на правила машини за извод „ако-тогава" до невронни мрежи за разпознаване на изображения и онтологии от семантичната мрежа (ifcOWL).

То има значение, защото затваря пропастта между богата геометрия и бедна семантика. То позволява автоматизирана нормативна проверка (нормативната проверка на модела се нуждае от семантични данни, които моделите често нямат), подпомага управлявани от данни работни процеси (анализи, цифрови двойници) и заобикаля ограниченията на обмена чрез IFC, който е твърде общ, за да носи пълния смисъл сам по себе си. То е нововъзникваща научна област (формализирана от Belsky, Sacks и Brilakis през 2016 г. и прегледана от Bloch през 2022 г.) и е особено ценно за придаване на смисъл на модели, получени от заснемане, като „както е изпълнено" и моделите на наследство. На италиански е arricchimento semantico.