Für die Anwendung digitaler Methoden in der Ausführung bietet sich die Erfassung von Bauwerken oder Bauzuständen mithilfe von Laserscanning (LiDAR) an, um anschließend möglichst automatisiert Bauteile zu erkennen und für Baufortschrittskontrollen auszuwerten (Scan to BIM). Für die Bauteilerkennung eignen sich Methoden des Machine Learning, die für verschiedene Klassifikationsprobleme eingesetzt werden. Ein baupraktisches Klassifikationsproblem ist die semantische Segmentierung von Punktwolken, bei der einzelne Punkte bestimmten Bauteilklassen zugeordnet werden. Damit die Klassifikationsaufgaben mit ausreichender Genauigkeit gelöst werden, wird eine große Anzahl an Trainingsdaten benötigt. Im Beitrag werden synthetische Daten für das Training eines künstlich neuronalen Netzwerks (engl. Convolutional Neural Network CNN) hochparametrisiert und vollautomatisch bereitgestellt. Es wird eine Vorgehensweise für die Erstellung von Brückenmodellvariationen auf Grundlage der visuellen Programmierschnittstelle Dynamo in Autodesk Revit vorgeschlagen. Zu Beginn werden nationale Richtlinien für die Definition von Parametern evaluiert, um anschließend diese Parameter in adaptiven Vorlagen des parametrisierten Querschnitts des Überbaus zu verwenden. Der Unterbau wird analog in verschiedenen Vorlagen bereitgestellt. Diese werden entlang der Trassierung in verschiedenen Ausführungen platziert. Jedem Objekt werden Merkmale angehängt und beim Export im herstellerneutralen Datenformat IFC in eine Merkmalstruktur gruppiert. Mit dieser Vorgehensweise ergaben sich zahlreiche Variationen von Brückenmodellen, insbesondere auch Bauzwischenzustände, die für die semantische Segmentierung von Punktwolken und das Training eines CNN herangezogen werden können.