โมเดล $\Phi$-CON ผสมผสานเครือข่าย floating-base coupled oscillator (FBCON) เข้ากับการแปลง affine diffeomorphism $\Phi$ ที่เรียนรู้ได้ เพื่อสร้างโครงสร้าง Lagrangian ที่ให้สมการพลังงานจลน์และพลังงานศักย์ที่ชัดเจน การออกแบบนี้ทำให้พลวัตของรูปทรงมีเสถียรภาพโดยธรรมชาติ และช่วยให้สามารถสร้างตัวควบคุม PD แบบอิงโมเดลที่ชดเชยแรงศักย์ที่เรียนรู้ได้ ส่งผลให้มีการรับประกันเสถียรภาพแบบ closed-loop และการลู่เข้า
การประเมินผลในสถานการณ์จำลอง DLO สี่แบบ และการทดสอบกับหุ่นยนต์สองแขนจริง พบว่า $\Phi$-CON มีความแม่นยำในการทำนายเทียบเท่ากับโมเดล NODE และ LNN แต่ใช้พารามิเตอร์น้อยกว่ามากถึง 97.2% และ 90.2% ตามลำดับ นอกจากนี้ ตัวควบคุมที่นำเสนอช่วยลดข้อผิดพลาดในการควบคุมตำแหน่งปลายทางเฉลี่ยได้ 97.5-99.7% ในการจำลอง และลดได้ 27.9% ต่อเป้าหมายในการทดลองจริงเมื่อเทียบกับ baseline PD ที่ไม่ใช้โมเดล สิ่งนี้แสดงให้เห็นถึงความสำคัญของการพิจารณาการตอบสนองเชิงกลของวัตถุที่แข็งและมีน้ำหนักมากอย่างชัดเจน