并设定其以2,000 mm/s之起始速度撞击地面，亦相当于自20cm的高度自由落下。
由后处理程序可看到整个产品在跌落撞击地面后，并没有发生上下盖分离或是材料达到塑性变形的情况发生，其Von-Mises应力分布状况请参考图4；同时，亦可选取主机板零件上的特定结点(Node 4106)来观察此点在整个跌落过程中的加速度反应。
结果
以本例而言，利用两台主机进行平行运算的CPU效能约发挥至95%，瞬时可达100%或降至80%不等，视网络状况及系统环境而异。执行单机运算的CPU效能则较为稳定，维持在100%。
CPU效能
运算时间
速度比
单机运算
就所需运算时间而言，单机运算所需时间为5,657秒；平行运算的执行时间为3,342秒，速度比为1：1.69(参考表2.)。在一些有限元分析案中，采用不同的接触算法(contact algorithm)， 可能使CPU效能只发挥到60%~70%。尽管如此，仍旧比单机执行节省时间。
以本例而言，利用两台主机进行平行运算的CPU效能约发挥至95%，瞬时可达100%或降至80%不等，视网络状况及系统环境而异。执行单机运算的CPU效能则较为稳定，维持在100%。
CPU效能
运算时间
速度比
单机运算
就所需运算时间而言，单机运算所需时间为5,657秒；平行运算的执行时间为3,342秒，速度比为1：1.69(参考表2.)。在一些有限元分析案中，采用不同的接触算法(contact algorithm)， 可能使CPU效能只发挥到60%~70%。尽管如此，仍旧比单机执行节省时间。
下图为第4106结点于单机运算及平行运算后所得到的加速度响应曲线，可以看出二者线型几乎重迭在一起，没有差别。
结论
一般印象中，平行运算的程序执行速度大抵是和CPU的数量成正比，但在国内外已有大量的文章和案例皆显示，随着CPU数量的增加，程序花费在横向 联系的时间会更久，因此所节省的时间实际上并非完全与CPU的数量成倍数关系；而不同主机间的硬件规格、操作系统及网络传输品质也是影响执行效率的重要因 素。
经实地验证的结果，假设计算机群组当中有9台CPU为2.2G的主机，第10台为450MHz的机器，在进行平行运算的过程中可以发现 450MHz主机的CPU效能几乎是100%的在利用，但是其余2.2G主机则只有占用一小部份的CPU资源而已，相当于是以10台450MHz的机器在 执行运算。换言之，平行运算的效能首先是依据计算机群组里等级最低者为准，因此建议执行平行运算的环境尽量是建立在配备等级相仿的计算机群组中。
以LS-DYNA而言，利用显性积分方式进行分析，其运算时间主要视元素尺寸及波传速度而定；平行运算之速度则视接触算法(contact algorithm)的演算效率而定。
本文目的并非针对平行运算的效能比较进行学术探讨，且所选用计算机平台的环境条件亦非建立在完全相同的水平条件上，这样的方法绝非是严谨的比较方式。本文目的是为了提供给读者们更经济有效率的方式，利用现有常见的硬件环境，以LS-DYNA进行有限元分析仿真，以缩短分析时间
一般印象中，平行运算的程序执行速度大抵是和CPU的数量成正比，但在国内外已有大量的文章和案例皆显示，随着CPU数量的增加，程序花费在横向 联系的时间会更久，因此所节省的时间实际上并非完全与CPU的数量成倍数关系；而不同主机间的硬件规格、操作系统及网络传输品质也是影响执行效率的重要因 素。
经实地验证的结果，假设计算机群组当中有9台CPU为2.2G的主机，第10台为450MHz的机器，在进行平行运算的过程中可以发现 450MHz主机的CPU效能几乎是100%的在利用，但是其余2.2G主机则只有占用一小部份的CPU资源而已，相当于是以10台450MHz的机器在 执行运算。换言之，平行运算的效能首先是依据计算机群组里等级最低者为准，因此建议执行平行运算的环境尽量是建立在配备等级相仿的计算机群组中。
以LS-DYNA而言，利用显性积分方式进行分析，其运算时间主要视元素尺寸及波传速度而定；平行运算之速度则视接触算法(contact algorithm)的演算效率而定。
本文目的并非针对平行运算的效能比较进行学术探讨，且所选用计算机平台的环境条件亦非建立在完全相同的水平条件上，这样的方法绝非是严谨的比较方式。本文目的是为了提供给读者们更经济有效率的方式，利用现有常见的硬件环境，以LS-DYNA进行有限元分析仿真，以缩短分析时间