این پژوهش با هدف توسعه یک چارچوب هیبریدی برای تشخیص نشت در شبکه توزیع آب مخزن ۹۴ شرق تهران انجام شد. در این چارچوب، ابتدا مدل هیدرولیکی شبکه با استفاده از نرم‌افزار Water Gems و داده‌های مکانی GIS و نقشه‌های AutoCAD ساخته و با داده‌های واقعی فشار و دبی حاصل از SCADA کالیبره شد. شبکه مورد مطالعه شامل ۴۲٫۹ کیلومتر خطوط لوله و بیش از ۳۸۰ گره است. سپس سه سناریوی نشت با شدت‌های ۵، ۱۰ و ۲۰ درصد در مدل اعمال شد تا پاسخ هیدرولیکی شبکه بررسی شود. نتایج نشان داد که افزایش شدت نشت موجب افت غیرخطی فشار و افزایش جریان در نقاط حساس شبکه می‌شود. در گام بعد، خروجی‌های حاصل از مدل عددی برای آموزش دو شبکه عصبی ANN و MLP در محیط MATLAB به کار رفت. ارزیابی عملکرد نشان داد که مدل هیبریدی نسبت به مدل عددی مستقل حدود ۳۰ درصد دقت بالاتری در تشخیص شدت و مکان نشت دارد. همچنین مدل MLP نسبت به ANN حدود سه درصد عملکرد بهتری از خود نشان داد و دقت کلی تشخیص نشت در آن به ۹۴ درصد رسید. شاخص‌های آماری مانند R2=0.95 و NSE=0.93 نیز اعتبار نتایج را تأیید کردند. این مطالعه نشان می‌دهد که تلفیق مدل هیدرولیکی کالیبره‌شده با شبکه عصبی MLP می‌تواند روشی مؤثر برای شناسایی نشت‌های پنهان در شبکه‌های توزیع آب باشد.