Soutenance de thèse de Victor Poline

Les questions de savoir quand, où, comment et par qui a été fabriqué un objet ainsi que son évolution dans le temps, ont toujours été au cœur des problématiques des historiens de l’art, conservateurs ou archéologues. Depuis plusieurs décennies maintenant, ces derniers entretiennent des relations étroites avec les chercheurs en science des matériaux et ses disciplines connexes afin d’accroître leurs connaissances sur les savoir-faire anciens des artistes et artisans. Cependant, les analyses physiques ou chimiques menées se heurtent à deux obstacles principaux : d’une part, l’impossibilité de déplacer certaines œuvres car trop volumineuses ou sujettes à de potentielles dégradations lors du transport et, d’autre part, la méthode usuelle consistant à micro-prélever souffre de son invasivité et d’un manque de représentativité. Dans ce contexte, l’objectif principal de cette thèse est de concevoir et de développer des méthodes pour l’analyse d’œuvres issues du patrimoine culturel. Notre approche a consisté à combiner, le long d’une chaîne de mesure, les méthodes de spectroscopie de fluorescence des rayons X (XRF) et de diffraction des rayons X sur poudre (XRPD) dont la complémentarité assure une caractérisation élémentaire et structurale des matériaux. Deux corpus d’œuvres, les manuscrits de la Grande Chartreuse et les « brocarts appliqués » de l’ancien Duché de Savoie, considérés comme des cas d’étude, ont permis la mise en place et le développement de ces aspects méthodologiques. Une approche non-invasive à l’aide d’un instrument mobile, conçu et réalisé en interne puis calibré et optimisé au cours de cette thèse, a permis une première analyse matérielle des œuvres et de guider le prélèvement de microéchantillons afin de s’assurer de leur pertinence. Ces derniers, dont il est crucial de comprendre la stratigraphie, ont été étudiés à l’aide de techniques d’imagerie synchrotron (XRPD et XRF en mode tomographie et cartographie) de haute résolution qui génèrent des quantités massives de données. Une grande partie des travaux de cette thèse a donc concerné la mise au point et les tests d’une méthode originale d’analyse quantitative de ces données utilisant des algorithmes d’apprentissage profond. Nous avons ainsi développé une méthode de génération de données d’apprentissage et optimisé un réseau de neurones simple permettant d’obtenir les proportions des différentes phases cristallines en chaque point de l’échantillon. Les logiciels issus de ce travail sont publics et disponibles pour la communauté, et peuvent naturellement être utilisés dans d’autres contextes de la science des matériaux.

Sous la direction de :

Pauline Martinetto, directrice de thèse (Maîtresse de conférences, Université Grenoble Alpes)

Pierre Bordet, co-directeur de thèse (Directeur de recherche, CNRS Délégation Alpes)

Le jury sera composé de :

Laurence de Viguerie, rapporteuse (Chargée de recherche, CNRS Délégation Paris Centre)

Alexandre Boulle, rapporteur (Directeur de recherche, CNRS Délégation Centre Limousin Poitou Charentes)

Florence Boulc'h, examinatrice (Maîtresse de conférences, Aix-Marseille Université)

Gilles Wallez, examinateur (Professeur des universités, Sorbonne Université)

Alexis Deschamps, examinateur (Professeur des universités, Grenoble INP - UGA)